Sep, 2017

带有记忆增强条件随机场的长范围上下文依赖关系捕捉

PDF
TL;DR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。
conditional random fieldsnlpmemory networkslong-range dependencieslstm
发现论文，激发创造
  • 神经条件随机场的序列分类

    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

  • 基于依存的 LSTM-CRF 命名实体识别

    提出了一种简单而有效的依赖树导向的 LSTM-CRF 模型，以对命名实体识别（NER）任务中的完整依赖树进行编码并捕捉其相关属性，从而显著提高 NER 和实现领先水平，并发现依赖关系和依赖树提供的长距离交互是其主要原因。

    Sep, 2019

  • 序列标注中的不确定性感知标签精炼

    引入了一种新的两阶段标签解码框架来建模长期标签依赖关系，并使用双流自注意力模型和贝叶斯神经网络来加快推断过程并减少错误传播。实验结果表明，该方法不仅优于基于 CRF 的方法，而且大大加快了推断进程。

    Dec, 2020

  • 条件随机场作为循环神经网络

    介绍了一种名为 CRF-RNN 的新型卷积神经网络，该网络将卷积神经网络（CNN）和基于 CRFs 的概率图建模相结合，用于语义图像分割任务，结果在 Pascal VOC 2012 分割基准测试上获得了最好的结果。

    Feb, 2015

  • 一种学习非线性边缘特征的新循环神经 CRF 模型

    介绍了一种新的递归神经条件随机场模型，学习了非线性边特征，与其他神经模型相比，该模型在 NP 语块划分、浅层解析、中文分词和 POS 标注等结构化预测任务中表现更好。

    Nov, 2016

  • 条件随机场简介

    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

  • 卷积条件随机场用于语义分割

    该论文介绍了如何在全连接 CRFs 中添加条件独立假设，从而利用卷积重构推理，提高了推理和训练的速度，并可以通过反向传播轻松优化卷积 CRFs 的所有参数，以便于后续的 CRF 研究。

    May, 2018

  • 高效诱导条件随机场特征

    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

  • 长短距离上下文神经网络语言模型

    本文提出了一种新的多跨度架构，通过一种新的循环长短期上下文（LSRC）网络，显式地模拟本地（短期）和全局（长期）上下文，分别模拟短期和长期的上下文信息，用于语言模型任务。

    Aug, 2017

  • 基于低秩分解的全连接 CRF 高效 SDP 推理

    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