Campo casuale condizionale

Un campo casuale condizionale (CRF) è un tipo di modello probabilistico non orientato utilizzato nell'apprendimento automatico (un ramo dell'intelligenza artificiale ). Il termine è spesso usato per riferirsi a una forma speciale con una struttura lineare, il campo casuale condizionale a catena lineare . Viene generalmente utilizzato per segmentare le sequenze. Ciò significa che il CRF riceve una sequenza come input e genera una sequenza della stessa lunghezza . A differenza dei modelli di Markov nascosti (HMM; un modello diverso ma diretto per i dati sequenziali), un CRF può accedere alle informazioni complete della sequenza di input in qualsiasi punto, mentre un HMM vede solo l'input corrente. Ciò significa che è possibile utilizzare set complessi di funzionalità.

formazione

Come tutti i modelli di machine learning , i CRF devono essere addestrati ; vale a dire, i loro parametri devono essere stimati dai dati . Esistono vari metodi di apprendimento per questo, come il metodo del gradiente o il metodo quasi-Newton . Viene specificato un numero di sequenze per le quali sono noti sia l'ingresso che l'uscita desiderata (questo è apprendimento monitorato ). Il processo di apprendimento cerca quindi di adattare i parametri nel CRF in modo tale che la sequenza di output corretta sia prevista per quante più sequenze possibili nei dati di addestramento.

Applicazioni

I CRF sono stati applicati con successo a vari problemi come:

Guarda anche

credenziali

  • J. Lafferty, A. McCallum, F. Pereira: campi casuali condizionali: modelli probabilistici per la segmentazione e l'etichettatura dei dati di sequenza . In: Proc. 18 ° Conf. Internazionale sull'apprendimento automatico . Morgan Kaufmann, San Francisco, CA 2001, pag. 282-289 .
  • A. McCallum: Induzione efficiente di caratteristiche di campi casuali condizionali . In: Proc. 19a Conferenza sull'incertezza nell'intelligenza artificiale . 2003.
  • F. Sha, F. Pereira: analisi superficiale con campi casuali condizionali . University of Pennsylvania, 2003 (Technical Report MS-CIS-02-35).
  • HM Wallach: Campi casuali condizionali: un'introduzione . University of Pennsylvania, 2004 (Technical Report MS-CIS-04-21).
  • C. Sutton, A. McCallum: An Introduction to Conditional Random Fields for Relational Learning . In: Lise Getoor, Ben Taskar (a cura di): Introduzione all'apprendimento relazionale statistico . MIT Press, 2006.
  • R. Klinger, K. Tomanek: modelli probabilistici classici e campi casuali condizionali . Dortmund University of Technology, dicembre 2007, ISSN  1864-4503 ( PDF online - Algorithm Engineering Report TR07-2-013).
  • T. Kudo, K. Yamamoto, Y. Matsumoto: Applicazione di campi casuali condizionali all'analisi morfologica giapponese . 2004 ( PDF online ).