• คำอธิบาย :

Corr2cause

การอนุมานเชิงสาเหตุถือเป็นหนึ่งในจุดเด่นของความฉลาดของมนุษย์

Corr2cause เป็นชุดข้อมูลขนาดใหญ่ที่มีตัวอย่างมากกว่า 400,000 ตัวอย่าง โดย LLM ที่มีอยู่ 17 รายการได้รับการประเมินในรายงานที่เกี่ยวข้อง

โดยรวมแล้ว Corr2cause มีตัวอย่าง 415,944 ตัวอย่าง โดยมีตัวอย่างที่ถูกต้อง 18.57% ความยาวเฉลี่ยของหลักฐานคือ 424.11 โทเค็น และสมมติฐาน 10.83 โทเค็น ข้อมูลแบ่งออกเป็นตัวอย่างการฝึกอบรม 411,452 ตัวอย่าง ตัวอย่างการพัฒนาและการทดสอบ 2,246 รายการ ตามลำดับ เนื่องจากวัตถุประสงค์หลักของชุดข้อมูลคือการวัดประสิทธิภาพการทำงานของ LLM ชุดการทดสอบและการพัฒนาจึงได้รับการจัดลำดับความสำคัญเพื่อให้ครอบคลุมกราฟทุกขนาดอย่างครอบคลุม

• หน้าแรก : https://github.com/causalNLP/corr2cause/tree/main

• ซอร์สโค้ด : tfds.datasets.corr2cause.Builder

• รุ่น :

  • 1.0.0 (ค่าเริ่มต้น): การเปิดตัวครั้งแรก

• ขนาดดาวน์โหลด : 727.22 MiB

• ขนาดชุดข้อมูล : 739.91 MiB

• แคชอัตโนมัติ ( เอกสาร ): No

• แยก :

• โครงสร้างคุณสมบัติ :

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

• เอกสารคุณสมบัติ :

• คีย์ภายใต้การดูแล (ดู as_supervised doc ): None

• รูปภาพ ( tfds.show_examples ): ไม่รองรับ

• ตัวอย่าง ( tfds.as_dataframe ):

• การอ้างอิง :

@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}
}