Linear chain conditional random fields, hidden Markov models, and related classifiers

要約

実務家は、約 60 年間、さまざまな問題で隠れマルコフ モデル (HMM) を使用しています。
さらに、Conditional Random Fields (CRF) は HMM に代わるものであり、文献では異なるモデルや多少並行したモデルとして登場します。
2 つの貢献を提案します。
まず、HMM とは異なると見なされる基本的な Linear-Chain CRF (LC-CRF) が、実際には、LC-CRF ごとに HMM が存在するという意味でそれらと同等であることを示します。
指定された LC-CRF と同一です。
第 2 に、HMM で使用される生成ベイジアン分類器の最大事後モード (MPM) と最大事後モード (MAP) を判別可能なものとして再定式化できることを示します。
最後の点は、多くの分野、特に自然言語処理 (NLP) で重要です。状況によっては、CRF を優先して HMM を削除する必要がないことを示しているからです。

要約(オリジナル)

Practitioners use Hidden Markov Models (HMMs) in different problems for about sixty years. Besides, Conditional Random Fields (CRFs) are an alternative to HMMs and appear in the literature as different and somewhat concurrent models. We propose two contributions. First, we show that basic Linear-Chain CRFs (LC-CRFs), considered as different from the HMMs, are in fact equivalent to them in the sense that for each LC-CRF there exists a HMM – that we specify – whom posterior distribution is identical to the given LC-CRF. Second, we show that it is possible to reformulate the generative Bayesian classifiers Maximum Posterior Mode (MPM) and Maximum a Posteriori (MAP) used in HMMs, as discriminative ones. The last point is of importance in many fields, especially in Natural Language Processing (NLP), as it shows that in some situations dropping HMMs in favor of CRFs was not necessary.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google