本文利用神经网络方法，结合了准确的 CRF 解析动态规划和丰富的非线性特征，提出了一种解析模型。该模型结构上基于 CRF，以锚定规则制作因素，而不是使用基于稀疏特征的线性势函数，使用前馈神经网络计算非线性势函数。在 Penn Treebank 第 23 节上，我们的系统优于先前最佳单个解析器结果，F1 分数达到 91.1。

Jul, 2015

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

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

非自回归序列模型为了减少推理时间，通常会假定每个单词的生成过程彼此独立，但这会导致结果不一致。本文提出了一种结构化推理模块，使用高效的 CRF 近似算法来建模动态转换技术，以提高翻译的一致性，并在不影响推理速度的前提下，显著提高了翻译性能。

Oct, 2019

我们提出了一种称为神经隐藏 CRF 的神经化无向图模型来解决弱监督序列标注问题。在概率无向图理论的框架下，神经隐藏 CRF 嵌入有一个隐藏 CRF 层来建模字序列、潜在真实序列和弱标签序列的变量，从而具有无向图模型特有的全局视角。在神经隐藏 CRF 中，我们可以利用强大的语言模型 BERT 或其他深度模型为潜在真实序列提供丰富的上下文语义知识，并利用隐藏 CRF 层捕捉内部标签依赖关系。神经隐藏 CRF 在概念上简单而强大，在一个众包基准和三个弱监督基准上取得了新的最先进结果，包括在平均泛化和推理性能上分别比最近的先进模型 CHMM 高出 2.80 个 F1 点和 2.23 个 F1 点。

Sep, 2023

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

通过对输出进行限制，可以训练出一个标注器，其与 CRF 相比可以实现两倍的交叉熵损失速度，差异在 F1 方面不具有统计学意义，从而有效消除了对 CRF 的需要。

Oct, 2020

本文研究将非局部特征注入本地基于跨度的解析器的训练过程中，通过预测组成成分 n-gram 非局部模式并确保非局部模式与本地成分的一致性，结果显示，我们的方法在 PTB 和 CTB 上均优于自我注意解析器，在 PTB 上达到 BERT 的最新性能（95.92 F1），并在 CTB 上获得强大的性能（92.31 F1）。与基线相比，在多语言和零 - shot 跨领域设置中，我们的解析器也实现了更好或具有竞争力的性能。

Sep, 2021

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