escaneado a tierra

  • Descripción :

Grounded SCAN (gSCAN) es un conjunto de datos sintéticos para evaluar la generalización compositiva en la comprensión del lenguaje situado. gSCAN combina instrucciones en lenguaje natural con secuencias de acción y requiere que el agente interprete las instrucciones dentro del contexto de un entorno de navegación visual basado en cuadrículas.

Se puede encontrar más información en:

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),
})
  • Documentación de características :
Rasgo Clase Forma Tipo D Descripción
CaracterísticasDict
dominio Secuencia (Texto) (Ninguna,) cuerda
manera Texto cuerda
sentido Secuencia (Texto) (Ninguna,) cuerda
objetivo_referido Texto cuerda
situación CaracterísticasDict
situación/dirección_agente Tensor int32
situación/posición_agente CaracterísticasDict
situación/posición_agente/columna Tensor int32
situación/posición_agente/fila Tensor int32
situación/dirección_al_objetivo Texto cuerda
situación/distancia_al_objetivo Tensor int32
situación/tamaño_cuadrícula Tensor int32
situación/objetos_colocados Secuencia
situación/objetos_colocados/objeto CaracterísticasDict
situación/objetos_colocados/objeto/color Texto cuerda
situación/objetos_colocados/objeto/forma Texto cuerda
situación/objetos_colocados/objeto/tamaño Tensor int32
situación/objetos_colocados/posición CaracterísticasDict
situación/objetos_colocados/posición/columna Tensor int32
situación/objetos_colocados/posición/fila Tensor int32
situación/objetos_colocados/vector Texto cuerda
situación/objeto_objetivo CaracterísticasDict
situación/objeto_objetivo/objeto CaracterísticasDict
situación/objeto_objetivo/objeto/color Texto cuerda
situación/objetivo_objetivo/objeto/forma Texto cuerda
situación/objetivo_objetivo/objeto/tamaño Tensor int32
situación/objeto_objetivo/posición CaracterísticasDict
situación/objeto_objetivo/posición/columna Tensor int32
situación/objeto_objetivo/posición/fila Tensor int32
situación/objeto_objetivo/vector Texto cuerda
objetivos_comandos Secuencia (Texto) (Ninguna,) cuerda
verbo_en_comando Texto cuerda
@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 (configuración predeterminada)

  • Descripción de la configuración : Ejemplos de generalización compositiva.

  • Tamaño de descarga : 82.10 MiB

  • Tamaño del conjunto de datos : 998.11 MiB

  • Divisiones :

Separar Ejemplos
'adverb_1' 112,880
'adverb_2' 38,582
'contextual' 11,460
'dev' 3,716
'situational_1' 88,642
'situational_2' 16,808
'test' 19,282
'train' 367,933
'visual' 37,436
'visual_easier' 18,718

Grounded_scan/Target_length_split

  • Descripción de configuración : ejemplos para generalizar a longitudes de destino más grandes.

  • Tamaño de la descarga : 53.41 MiB

  • Tamaño del conjunto de datos : 546.73 MiB

  • Divisiones :

Separar Ejemplos
'dev' 1,821
'target_lengths' 198,588
'test' 37,784
'train' 180,301

grounded_scan/spatial_relation_splits

  • Descripción de la configuración : Ejemplos de razonamiento de relaciones espaciales.

  • Tamaño de la descarga : 89.59 MiB

  • Tamaño del conjunto de datos : 675.09 MiB

  • Divisiones :

Separar Ejemplos
'dev' 2,617
'referent' 30.492
'relation' 6,285
'relative_position_1' 41,576
'relative_position_2' 41,529
'test' 28,526
'train' 259,088
'visual' 62,250