• Описание :

Corr2причина

Причинно-следственные выводы — одна из отличительных черт человеческого интеллекта.

Corr2cause — это крупномасштабный набор данных, содержащий более 400 тысяч образцов, на котором в соответствующей статье оцениваются семнадцать существующих LLM.

Всего Corr2cause содержит 415 944 образца, из которых 18,57% являются действительными. Средняя длина посылки составляет 424,11 токена, а гипотезы — 10,83 токена. Данные разделены на 411 452 обучающих выборки, 2246 разработок и тестовых выборок соответственно. Поскольку основной целью набора данных является оценка производительности LLM, приоритет отдается наборам для тестирования и разработки, чтобы они охватывали все размеры графиков.

• Домашняя страница : https://github.com/causalNLP/corr2cause/tree/main .

• Исходный код : tfds.datasets.corr2cause.Builder .

• Версии :

  • 1.0.0 (по умолчанию): первоначальный выпуск.

• Размер загрузки : 727.22 MiB

• Размер набора данных : 739.91 MiB

• Автокэширование ( документация ): Нет

• Расколы :

• Структура функции :

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

• Функциональная документация :

• Контролируемые ключи (см. документ as_supervised ): None

• Рисунок ( tfds.show_examples ): не поддерживается.

• Примеры ( tfds.as_dataframe ):

• Цитата :

@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}
}