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

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

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

本研究提出一种改进的均值场推断算法，将信息传递操作从原始线性卷积改变为现有的图形注意力操作，并将推断算法的处理过程转化为 GAT 模型的前向过程，结合均值场推断的标签分布，等价于只有一元潜力的分类器输出。为此，我们提出了一种具有残差结构的图形注意力网络模型，该模型适用于所有序列注释任务，如像素级图像语义分割任务以及文本注释任务。

May, 2022

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

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

本文提出了一种结构化预测技术，其将高斯条件随机场与深度学习相结合，能够在保证唯一全局最优解的同时，使用精简的闭式表达式计算模型参数的梯度。通过在语义分割任务中引入多分辨率结构化优化框架，该系统在 PASCAL 2012 图像分割基准上显示出明显的改进。

Mar, 2016

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

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