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
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
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
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
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
本研究采用条件随机场(CRF)来解决监督序列标注的问题,并探讨了如何通过 L1 惩罚实现 CRFs 的高效特征选择,结果表明该方法可以显著加速训练和加标签的速度,并且可以处理更高维度的模型。
Sep, 2009
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
这篇论文介绍了一种新的半马尔可夫条件随机场(Semi-Markov CRF)的变种 —— 过滤式半马尔可夫条件随机场(Filtered Semi-Markov CRF),该方法通过引入过滤步骤来消除无关的片段,降低了复杂性和搜索空间,并在多个实体命名识别基准测试中表现优于传统 CRF 和半马尔可夫条件随机场 (Semi-CRF),且速度显著更快。我们的方法实现代码已在 Github 上公开。
Nov, 2023
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