grounded_scan

• opis :

Grounded SCAN (gSCAN) to syntetyczny zestaw danych do oceny uogólnienia kompozycji w rozumieniu języka usytuowanego. gSCAN łączy instrukcje w języku naturalnym z sekwencjami działań i wymaga od agenta interpretacji instrukcji w kontekście wizualnego środowiska nawigacji opartego na siatce.

Więcej informacji można znaleźć pod adresem:

• Dla target_length_split compositional_splits https://github.com/LauraRuis/groundedSCAN

• Dla spatial_relation_splits : https://github.com/google-research/language/tree/master/language/gscan/data

• Strona główna : https://github.com/LauraRuis/groundedSCAN

• Kod źródłowy : tfds.vision_language.grounded_scan.GroundedScan

• Wersje :

  • 1.0.0 : Pierwsza wersja.
  • 1.1.0 : Zmieniono funkcję vector na Text().
  • 2.0.0 (domyślnie): Dodaje nową konfigurację przestrzenne_relation_splits.

• Automatyczne buforowanie ( dokumentacja ): Nie

• Struktura funkcji :

FeaturesDict({
    'command': Sequence(Text(shape=(), dtype=string)),
    'manner': Text(shape=(), dtype=string),
    'meaning': Sequence(Text(shape=(), dtype=string)),
    'referred_target': Text(shape=(), dtype=string),
    'situation': FeaturesDict({
        'agent_direction': int32,
        'agent_position': FeaturesDict({
            'column': int32,
            'row': int32,
        }),
        'direction_to_target': Text(shape=(), dtype=string),
        'distance_to_target': int32,
        'grid_size': int32,
        'placed_objects': Sequence({
            'object': FeaturesDict({
                'color': Text(shape=(), dtype=string),
                'shape': Text(shape=(), dtype=string),
                'size': int32,
            }),
            'position': FeaturesDict({
                'column': int32,
                'row': int32,
            }),
            'vector': Text(shape=(), dtype=string),
        }),
        'target_object': FeaturesDict({
            'object': FeaturesDict({
                'color': Text(shape=(), dtype=string),
                'shape': Text(shape=(), dtype=string),
                'size': int32,
            }),
            'position': FeaturesDict({
                'column': int32,
                'row': int32,
            }),
            'vector': Text(shape=(), dtype=string),
        }),
    }),
    'target_commands': Sequence(Text(shape=(), dtype=string)),
    'verb_in_command': Text(shape=(), dtype=string),
})

• Dokumentacja funkcji :

• Klucze nadzorowane (Zobacz dokument as_supervised ): None

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Cytat :

@inproceedings{NEURIPS2020_e5a90182,
 author = {Ruis, Laura and Andreas, Jacob and Baroni, Marco and Bouchacourt, Diane and Lake, Brenden M},
 booktitle = {Advances in Neural Information Processing Systems},
 editor = {H. Larochelle and M. Ranzato and R. Hadsell and M. F. Balcan and H. Lin},
 pages = {19861--19872},
 publisher = {Curran Associates, Inc.},
 title = {A Benchmark for Systematic Generalization in Grounded Language Understanding},
 url = {https://proceedings.neurips.cc/paper/2020/file/e5a90182cc81e12ab5e72d66e0b46fe3-Paper.pdf},
 volume = {33},
 year = {2020}
}

@inproceedings{qiu-etal-2021-systematic,
    title = "Systematic Generalization on g{SCAN}: {W}hat is Nearly Solved and What is Next?",
    author = "Qiu, Linlu  and
      Hu, Hexiang  and
      Zhang, Bowen  and
      Shaw, Peter  and
      Sha, Fei",
    booktitle = "Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing",
    month = nov,
    year = "2021",
    address = "Online and Punta Cana, Dominican Republic",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2021.emnlp-main.166",
    doi = "10.18653/v1/2021.emnlp-main.166",
    pages = "2180--2188",
}

grounded_scan/compositional_splits (domyślna konfiguracja)

• Opis konfiguracji : Przykłady uogólnienia kompozycji.

• Rozmiar pliku do pobrania : 82.10 MiB

• Rozmiar zbioru danych : 998.11 MiB

• Podziały :

• Przykłady ( tfds.as_dataframe ):

uziemiony_skan/podział_długości_docelowej

• Opis konfiguracji : przykłady uogólniania na większe długości docelowe.

• Rozmiar pliku do pobrania : 53.41 MiB

• Rozmiar zestawu danych : 546.73 MiB

• Podziały :

• Przykłady ( tfds.as_dataframe ):

uziemione_skanowanie/spatial_relation_splits

• Opis konfiguracji : Przykłady rozumowania relacji przestrzennych.

• Rozmiar pliku do pobrania : 89.59 MiB

• Rozmiar zestawu danych : 675.09 MiB

• Podziały :

• Przykłady ( tfds.as_dataframe ):