该研究论文探讨了如何使用基于条件随机场（CRFs）的多传感器融合算法对人类活动监控的大量时间序列进行分类，同时提供了区分不同类型序列的判别模型，实验结果证明了该方法的有效性。

Feb, 2016

LS-CRF 基于生成图模型的闭式表达式，通过解决一组独立的回归问题进行训练，相对于传统的最大似然学习方法节省大量时间，而且能训练有效率的、具有联合推断能力的图像分割模型，其已应用于语义图像分割任务并取得了成功。

Mar, 2014

本文介绍了一种 CRFs 的特征归纳方法，该方法基于构建仅显著增加对数似然的特征联合的原则，与 Della Pietra 等人的方法不同，具有更高的准确性和较低的特征数量，适用于线性链 CRFs 和关系马尔可夫网络，实验证明其在命名实体识别任务中的有效性。

Oct, 2012

本文提出基于条件随机场的混合半马尔可夫模型，应用于自然语言处理中的神经序列标注任务，该模型采用词级别和片段级别的信息同时作为特征来提升性能，在 CoNLL 2003 命名实体识别任务中取得了最好的结果。

May, 2018

该论文介绍结构化预测方法 —— 条件随机场，它是分类方法和图形建模的结合，可用于自然语言处理、计算机视觉和生物信息学等领域，该论文还描述了 CRFs 的推断和参数估计方法，以及实现大规模 CRFs 的实际问题。

Nov, 2010

本研究提出了一种易于实现的条件随机场变体 MCRF，对 CRF 生成的非法标签序列的问题进行了解决，并在几乎不增加成本的情况下，彻底改善了已有 CRF 模型的性能表现。

Mar, 2021

该研究论文提出了一种基于低秩近似和可扩展的半定规划算法的高效全连通条件随机场推理方法，该方法可以用于以前无法解决的全连通 CRFs，如像素级图像共分割。

Apr, 2015

本文提出了通过集成外部记忆来扩展条件随机场的方法，克服了其只能模拟局部特征的限制，能够提高 NLP 任务的性能。实验证明该方法比强 CRF 和 LSTM 基线模型有更好的表现。

Sep, 2017

本文介绍了一种基于并行化的近似变分推断算法，用于提高线性链条件随机场模型的训练和预测速度，并将其设计成可连接编码器的端到端网络，在长句子情况下，该方法在准确率不降的情况下将解码速度提高了 12.7 倍。

Sep, 2020

本文提出了一种超像素增强的成对条件随机场（CRF）框架，通过使用超像素基础的高阶信息，以较低的时间复杂度提高了参数学习和推理准确性；同时，根据实验数据，该方案在 MSRC-21 和 PASCAL VOC 2012 数据集上证明了其有效性。

May, 2018