grounded_scan

• Descriptif :

Grounded SCAN (gSCAN) est un ensemble de données synthétiques pour évaluer la généralisation compositionnelle dans la compréhension du langage situé. gSCAN associe des instructions en langage naturel à des séquences d'action et oblige l'agent à interpréter les instructions dans le contexte d'un environnement de navigation visuelle basé sur une grille.

Plus d'informations peuvent être trouvées à:

• Pour le compositional_splits et le target_length_split : https://github.com/LauraRuis/groundedSCAN

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

• Page d'accueil : https://github.com/LauraRuis/groundedSCAN

• Code source : tfds.vision_language.grounded_scan.GroundedScan

• Versions :

  • 1.0.0 : Version initiale.
  • 1.1.0 : fonctionnalité vector modifiée en texte ().
  • 2.0.0 (par défaut) : ajoute la nouvelle configuration spatial_relation_splits.

• Mise en cache automatique ( documentation ): Non

• Structure des fonctionnalités :

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),
})

• Documentation des fonctionnalités :

• Clés supervisées (Voir as_supervised doc ): None

• Figure ( tfds.show_examples ) : non pris en charge.

• Citation :

@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 (configuration par défaut)

• Description de la configuration : Exemples de généralisation compositionnelle.

• Taille du téléchargement : 82.10 MiB

• Taille du jeu de données : 998.11 MiB

• Fractionnements :

• Exemples ( tfds.as_dataframe ):

grounded_scan/target_length_split

• Description de la configuration : Exemples de généralisation à des longueurs cibles plus importantes.

• Taille du téléchargement : 53.41 MiB

• Taille du jeu de données : 546.73 MiB

• Fractionnements :

• Exemples ( tfds.as_dataframe ):

grounded_scan/spatial_relation_splits

• Description de la configuration : Exemples de raisonnement de relations spatiales.

• Taille du téléchargement : 89.59 MiB

• Taille du jeu de données : 675.09 MiB

• Fractionnements :

• Exemples ( tfds.as_dataframe ):