-
條件隨機域
鎖定
- 中文名
- 條件隨機域
- 外文名
- conditional random field
- 簡 稱
- CRF
- 性 質
- 一種鑑別式機率模型
條件隨機域簡介
如同馬爾可夫隨機場,條件隨機場為無向性之圖模型,頂點代表隨機變量,頂點間的連線代表隨機變量間的相依關係,在條件隨機場當中,隨機變量 Y 的分佈為條件機率,給定的觀察值則為隨機變量 X。原則上,條件隨機場的圖模型佈局是可以任意給定的,一般常用的佈局是鏈結式的架構,鏈結式架構不論在訓練(training)、推論(inference)、或是解碼(decoding)上,都存在有效率的算法可供演算。
條件隨機域隨機場
隨機場(Random field)定義如下:
條件隨機域馬爾可夫網絡
馬爾可夫網絡類似貝葉斯網絡用於表示依賴關係。但是,一方面它可以表示貝葉斯網絡無法表示的一些依賴關係,如循環依賴;另一方面,它不能表示貝葉斯網絡能夠表示的某些關係,如推導關係。馬爾可夫網絡的原型是易辛模型,最初是用來説明該模型的基本假設。
一個馬爾可夫網絡的重要變體是條件隨機場,每個隨機變量可以條件依賴於一組全局的觀察
。這個模型中,每個函數
是從指派值到團k和從觀察
到非負實數的映射。這樣的馬爾可夫網絡更適於不對觀察建立分佈模型的區分性模型,不是生成性模型。
[2]
條件隨機域隱馬爾可夫模型
隱馬爾可夫模型(Hidden Markov Model,HMM)是統計模型,它用來描述一個含有隱含未知參數的馬爾可夫過程。其難點是從可觀察的參數中確定該過程的隱含參數。然後利用這些參數來作進一步的分析,例如模式識別。
在正常的馬爾可夫模型中,狀態對於觀察者來説是直接可見的。這樣狀態的轉換概率便是全部的參數。而在隱馬爾可夫模型中,狀態並不是直接可見的,但受狀態影響的某些變量則是可見的。每一個狀態在可能輸出的符號上都有一概率分佈。因此輸出符號的序列能夠透露出狀態序列的一些信息。
[1]
- 參考資料
-
- 1. Lafferty, J., McCallum, A., Pereira, F. Conditional random fields: Probabilistic models for segmenting and labeling sequence data. Proc. 18th International Conf. on Machine Learning. Morgan Kaufmann: 282–289. 2001.
- 2. Lauritzen, Steffen (1996). Graphical models. Oxford: Clarendon Press. p. 33. ISBN 0198522193.
- 詞條統計
-
- 瀏覽次數:次
- 編輯次數:9次歷史版本
- 最近更新: linqwe60