Я понимаю, что HMM (скрытые марковские модели) являются порождающими моделями, а CRF - дискриминационными моделями. Я также понимаю, как создаются и используются CRF (условные случайные поля). Что я не понимаю, так это чем они отличаются от HMM? Я читал, что в случае HMM мы можем только моделировать наше следующее состояние на предыдущем узле, текущем узле и вероятности перехода, но в случае CRF мы можем сделать это и можем соединить произвольное количество узлов вместе, чтобы сформировать зависимости или контексты? Я прав здесь?
33
Ответы:
Из введения МакКаллума в CRF :
источник
«Условные случайные поля могут пониматься как последовательное расширение модели максимальной энтропии». Это предложение взято из технического отчета, относящегося к «Классическим вероятностным моделям и условным случайным полям».
Это, вероятно, лучшее чтение для таких тем, как HMM, CRF и Maximum Entropy.
PS: Рисунок 1 в ссылке дает очень хорошее сравнение между ними.
С Уважением,
источник
В качестве примечания: я хотел бы попросить вас сохранить этот (неполный) список, чтобы заинтересованные пользователи имели легкодоступный ресурс. Статус-кво по-прежнему требует, чтобы отдельные люди исследовали множество документов и / или длинных технических отчетов для поиска ответов, связанных с CRF и HMM.
В дополнение к другим, уже хорошим ответам, я хочу указать на отличительные черты, которые я считаю наиболее примечательными:
[1] Саттон, Чарльз; McCallum, Andrew (2010), «Введение в условные случайные поля»
источник