Bất cứ ai đề nghị một hướng dẫn tốt về các trường ngẫu nhiên có điều kiện

Question

Tôi đã cố gắng tìm một hướng dẫn tốt về các trường ngẫu nhiên có điều kiện và vẫn chưa tìm được một bài học không bắt đầu gửi não của tôi vào tình trạng khủng hoảng. Tôi có một nắm bắt tốt của HMM, và tôi nhận được sự khác biệt giữa các mô hình phân biệt và sinh sản ... nhưng tôi chưa thể tìm được một nguồn tài nguyên có thể so sánh tốt về HMM và CRF có ý nghĩa với tôi. Bất kỳ trợ giúp sẽ được đánh giá cao.

Answer 1

Một trong những nguồn tài nguyên tốt nhất mà tôi tìm thấy thực sự là một phần trong cuốn sách của Christopher Bishop Nhận dạng mẫu và Học máy (mà tôi khuyên dùng) bằng cách liên quan đến Trường ngẫu nhiên Markov (CRFs là Trường ngẫu nhiên Markov chuyên biệt). Nó thậm chí còn có một ví dụ, mà tôi chắc chắn bạn đã nhận thấy bây giờ là vô cùng khó khăn để tìm cho chủ đề này. Bây giờ, tôi phải quy định rằng phần này sẽ không cung cấp cho bạn một sự hiểu biết đầy đủ về CRF, nhưng hy vọng nó - ít nhất nó đã làm cho tôi - giúp bạn điều hướng các hướng dẫn CRF nguy hiểm đó.

Bên cạnh đó, tôi không tìm thấy bất cứ điều gì ngoài các bài viết học thuật tâm trí về chủ đề này. Dưới đây là một vài điều mà tôi thấy hữu ích:

• An Introduction to Conditional Random Fields for Relational Learning - Đây là một điều khá kỹ lưỡng.

• Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data - Đây là bài viết ban đầu đã phác thảo khung CRF. Tôi tìm thấy nó dễ đọc hơn một chút so với những người đến sau nó. Nó cũng so sánh CRF với HMM và MEMM (sơ đồ bao gồm.)

Xin lỗi, đó là tất cả những gì tôi có thể đóng góp. Tôi vẫn đang cố gắng làm chủ CRF.

Answer 2

Models xác suất cổ điển và Conditional Random Fields

http://www.scai.fraunhofer.de/fileadmin/images/bio/data_mining/paper/crf_klinger_tomanek.pdf

này đến nay là hướng dẫn tốt nhất mà tôi đã cho đến nay đã có may mắn để đi qua. Như tiêu đề, nó phát triển ý tưởng CRM bằng cách xây dựng đầu tiên trên và liên quan đến các mô hình quen thuộc hơn bao gồm Naive Bayes, HMM và Entropy tối đa. Sử dụng màu sắc và hình ảnh cũng làm tăng thêm khả năng hiểu.

Answer 3

Một đoạn video hướng dẫn rất thú vị về CRFs do GS Charles Elkan (UCSD): http://videolectures.net/cikm08_elkan_llmacrf

Và bài giảng có thể được tải về từ trang chủ của mình: http://cseweb.ucsd.edu/users/elkan/250B/cikmtutorial.pdf

Cheers! Hung Ngo.

Answer 4

Giới thiệu most awesome giới thiệu về CRF.

Ngoài ra, this classroom handout giải thích "ký hiệu" cho CRF chuỗi tuyến tính khá tốt.

Answer 5

Cũng "Shallow Parsing với CRFs" bởi Sha & Pereira here

Answer 6

Tôi cũng muốn giới thiệu this luận án tiến sĩ, nó có một chương về mô hình đồ họa và một trên CRF. Nó giới thiệu tất cả các khái niệm cần thiết để hiểu CRF.

Cập nhật: thay thế liên kết, trong trường hợp liên kết phanh lần nữa, tiêu đề của luận án tiến sĩ là "Mở rộng các trường ngẫu nhiên có điều kiện để xử lý ngôn ngữ tự nhiên". Tôi nên thêm rằng nó thảo luận về sự khác biệt giữa HMM và CRF.