Intuicyjna różnica między ukrytymi modelami Markowa a losowymi polami warunkowymi


33

Rozumiem, że HMM (ukryte modele Markowa) to modele generatywne, a CRF to modele dyskryminujące. Rozumiem również, w jaki sposób zaprojektowano i zastosowano CRF (warunkowe pola losowe). Nie rozumiem, czym różnią się od HMM? Czytałem, że w przypadku HMM możemy modelować nasz następny stan tylko na poprzednim węźle, bieżącym węźle i prawdopodobieństwie przejścia, ale w przypadku CRF możemy to zrobić i połączyć dowolną liczbę węzłów razem, aby utworzyć zależności lub konteksty? Czy mam rację tutaj?


1
Czytelnikom tego komentarza może nie spodobać się ta odpowiedź, ale jeśli naprawdę musisz znać odpowiedź na to pytanie, najlepszym sposobem na zrozumienie jest samodzielne przeczytanie artykułów i sformułowanie własnej opinii. To zajmuje dużo czasu, ale jest to jedyny sposób, aby naprawdę wiedzieć, co się dzieje i móc powiedzieć, czy inni ludzie mówią ci prawdę
szczerze mówiąc,

Odpowiedzi:


23

Z wprowadzenia McCalluma do CRF :

wprowadź opis zdjęcia tutaj


4
czy chciałbyś dodać do tego swoją własną intuicję / wgląd / zrozumienie - nawet jeśli tylko wskażesz najważniejsze informacje (z twojej perspektywy)?
javadba

10

„Warunkowe pola losowe można rozumieć jako sekwencyjne rozszerzenie do modelu maksymalnej entropii”. To zdanie pochodzi z raportu technicznego dotyczącego „Klasycznych modeli probabilistycznych i warunkowych pól losowych”.

Jest to prawdopodobnie najlepsza lektura dla takich tematów jak HMM, CRF i Maximum Entropy.

PS: Rycina 1 w linku daje bardzo dobre porównanie między nimi.

Pozdrowienia,


5

Na marginesie: Uprzejmie proszę o zachowanie tej (niekompletnej) listy, aby zainteresowani użytkownicy mieli łatwo dostępny zasób. Status quo nadal wymaga od osób fizycznych sprawdzenia wielu dokumentów i / lub długich raportów technicznych w celu znalezienia odpowiedzi związanych z CRF i HMM.

Oprócz innych, już dobrych odpowiedzi, chcę wskazać wyróżniające się cechy, które uważam za najbardziej godne uwagi:

  • HMM to modele generatywne, które próbują modelować rozkład połączeń P (y, x). Dlatego takie modele próbują modelować rozkład danych P (x), co z kolei może narzucać wysoce zależne cechy . Zależności te są czasem niepożądane (np. W tagowaniu POS NLP) i bardzo często trudne do modelowania / obliczania.
  • CRF są modelami dyskryminującymi, które modelują P (y | x). Jako takie, nie wymagają jawnego modelowania P (x), a zatem w zależności od zadania, mogą zatem przynieść wyższą wydajność, częściowo dlatego, że potrzebują mniej parametrów do nauczenia się, np. W ustawieniach, gdy generowanie próbek nie jest pożądane . Modele dyskryminujące są często bardziej odpowiednie, gdy stosowane są złożone i pokrywające się funkcje (ponieważ modelowanie ich dystrybucji jest często trudne).
  • Jeśli masz takie nakładające się / złożone funkcje (jak w tagowaniu POS), możesz rozważyć CRF, ponieważ mogą one modelować je z ich funkcjami funkcji (pamiętaj, że zwykle będziesz musiał zaprojektować te funkcje).
  • Ogólnie rzecz biorąc, CRF są bardziej wydajne niż HMM ze względu na zastosowanie funkcji funkcji. Na przykład możesz modelować funkcje takie jak 1 (yt= NN xt= Smith, dozap(xt-1)= true), podczas gdy w HMM (pierwszego rzędu) używasz założenia Markowa, narzucając zależność tylko od poprzedniego elementu. Dlatego postrzegam CRF jako uogólnienie HMM .
  • Zwróć także uwagę na różnicę między liniowymi i ogólnymi CRF . Liniowe CRF, podobnie jak HMM, narzucają jedynie zależności od poprzedniego elementu, natomiast w przypadku ogólnych CRF można narzucać zależności arbitralnym elementom (np. Pierwszy element jest dostępny na samym końcu sekwencji).
  • W praktyce liniowe CRF są widoczne częściej niż ogólne CRF, ponieważ zwykle umożliwiają łatwiejsze wnioskowanie. Zasadniczo wnioskowanie CRF jest często trudne do rozwiązania, pozostawiając jedyną możliwą do przyjęcia opcję przybliżenia wnioskowania).
  • Wnioskowanie w liniowych CRF odbywa się za pomocą algorytmu Viterbi jak w HMM.
  • Zarówno HMM, jak i liniowe CRF są zwykle trenowane przy użyciu technik maksymalnego prawdopodobieństwa, takich jak opadanie gradientu, metody Quasi-Newtona lub dla HMM z technikami maksymalizacji oczekiwań (algorytm Baum-Welcha). Jeśli problemy optymalizacji są wypukłe, wszystkie te metody dają optymalny zestaw parametrów.
  • Według [1] problem optymalizacji liniowych parametrów CRF jest wypukły, jeśli wszystkie węzły mają wykładniczy rozkład rodziny i są obserwowane podczas treningu.

[1] Sutton, Charles; McCallum, Andrew (2010), „Wprowadzenie do warunkowych pól losowych”

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.