• Opis :

Corr2przyczyna

Wnioskowanie przyczynowe jest jedną z cech charakterystycznych ludzkiej inteligencji.

Corr2cause to wielkoskalowy zbiór danych obejmujący ponad 400 tys. próbek, na podstawie którego w powiązanym artykule ocenia się siedemnaście istniejących LLM.

Ogółem Corr2cause zawiera 415 944 próbek, z czego 18,57% to prawidłowe próbki. Średnia długość założenia wynosi 424,11 tokenów, a hipotezy 10,83 tokenów. Dane są podzielone odpowiednio na 411 452 próbek szkoleniowych, 2246 próbek rozwojowych i testowych. Ponieważ głównym celem zbioru danych jest porównanie wydajności LLM, zbiorom testowym i programistycznym nadano priorytet tak, aby obejmowały kompleksowo wykresy wszystkich rozmiarów.

• Strona główna : https://github.com/causalNLP/corr2cause/tree/main

• Kod źródłowy : tfds.datasets.corr2cause.Builder

• Wersje :

  • 1.0.0 (domyślnie): Wersja pierwsza.

• Rozmiar pobierania : 727.22 MiB

• Rozmiar zbioru danych : 739.91 MiB

• Automatyczne buforowanie ( dokumentacja ): Nie

• Podziały :

• Struktura funkcji :

FeaturesDict({
    'input': Text(shape=(), dtype=string),
    'label': int64,
})

• Dokumentacja funkcji :

• Klucze nadzorowane (zobacz dokument as_supervised ): None

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Przykłady ( tfds.as_dataframe ):

• Cytat :

@misc{jin2023large,
      title={Can Large Language Models Infer Causation from Correlation?},
      author={Zhijing Jin and Jiarui Liu and Zhiheng Lyu and Spencer Poff and Mrinmaya Sachan and Rada Mihalcea and Mona Diab and Bernhard Schölkopf},
      year={2023},
      eprint={2306.05836},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}