条件随机场

条件随机场（CRF）是一类统计建模方法，经常应用于模式识别和机器学习，并用于结构化预测。分类器预测单个样本的标签而不考虑相邻的样本，而CRF可以考虑到背景。为了做到这一点，预测被建模为一个图形模型，表示预测之间存在的依赖关系。使用什么样的图形取决于应用。例如，在自然语言处理中，线性链CRFs很流行，每个预测只依赖于它的近邻。在图像处理中，图通常将位置与附近和/或类似的位置连接起来，以确保它们得到类似的预测。其他使用CRF的例子有：自然语言处理或生物序列的序列数据的标记或解析、语篇标签、浅层解析、命名实体识别、基因查找、肽关键功能区查找、计算机视觉中的物体识别和图像分割。

CRF是一种判别性的无定向概率图形模型。和随机变量Y｝是一个图，其中有一个图，它是以"V"为基础的。服从于图的马尔可夫属性；也就是说，它的概率只取决于X。，就图而言服从马尔科夫属性；也就是说，它的概率只取决于它在G中的邻居。这意味着CRF是一个无定向的图形模型，其节点正好可以分为两个不相交的集合，观察变量和输出变量。

对于一般的图，CRF的精确推理问题是难以解决的。CRF的推理问题与MRF的推理问题基本相同，同样的论据也成立。然而，存在着精确推理可行的特殊情况。如果图是一条链或一棵树，消息传递算法会产生精确的解决方案。在这些情况下使用的算法类似于HMMs情况下的前向-后向和Viterbi算法。如果CRF只包含成对的潜力，并且能量是亚模态的，那么组合式的mincut/maxflow算法会产生精确的解决方案。如果精确推理是不可能的，那么可以使用几种算法来获得近似的解决方案。

阿尔法扩展平均值场推理线性规划放松参数学习学习参数.如果所有的节点都有指数族分布，并且所有的节点在训练期间都被观察到，那么这个优化是凸的。例如，它可以用梯度下降算法或准牛顿方法来解决。另一方面，如果一些变量没有被观察到，推理问题必须针对这些变量来解决。在一般的图中，精确推理是难以实现的，所以必须使用近似的方法。

在序列建模中，感兴趣的图通常是一个链图。一个观察变量的输入序列代表了一个观察序列，并在此基础上对其进行分析。代表一个观察序列，而代表一个观察序列，而Y代表一个隐藏的（或未知的）状态变量，需要根据观察结果进行推断。在结构上形成一条链，每条链之间有一条边。被结构化为一条链，每个作为输入序列中每个元素的标签，这种布局允许有效的算法用于。