एक साइड नोट के रूप में: मैं आपसे अनुरोध करूंगा कि आप इसे (अपूर्ण) सूची बनाए रखें ताकि इच्छुक उपयोगकर्ताओं के पास आसानी से सुलभ संसाधन हो। यथास्थिति अभी भी व्यक्तियों को सीआरएफ और एचएमएम से संबंधित उत्तर खोजने के लिए बहुत सारे कागजात और / या लंबी तकनीकी रिपोर्ट की जांच करने की आवश्यकता है।
अन्य के अलावा, पहले से ही अच्छे जवाब, मैं उन विशिष्ट विशेषताओं को इंगित करना चाहता हूं जो मुझे सबसे अधिक उल्लेखनीय लगते हैं:
- HMM जेनेरिक मॉडल हैं जो संयुक्त वितरण P (y, x) को मॉडल करने का प्रयास करते हैं। इसलिए, ऐसे मॉडल डेटा पी (एक्स) के वितरण को मॉडल करने की कोशिश करते हैं जो बदले में अत्यधिक निर्भर सुविधाओं को लागू कर सकते हैं । ये निर्भरताएं कभी-कभी अवांछनीय होती हैं (उदाहरण के लिए एनएलपी के पीओएस टैगिंग में) और बहुत बार मॉडल / कंप्यूट के लिए अट्रैक्टिव होती हैं।
- सीआरएफ भेदभावपूर्ण मॉडल हैं जो पी (y | x) मॉडल करते हैं। जैसे, उन्हें स्पष्ट रूप से मॉडल पी (एक्स) की आवश्यकता नहीं है और कार्य के आधार पर, इसलिए उच्च प्रदर्शन प्राप्त कर सकते हैं, क्योंकि उन्हें नमूने सीखने के लिए कम मापदंडों की आवश्यकता होती है, जैसे कि नमूने उत्पन्न करते समय वांछित नहीं है । भेदभावपूर्ण मॉडल अक्सर अधिक उपयुक्त होते हैं जब जटिल और अतिव्यापी सुविधाओं का उपयोग किया जाता है (क्योंकि उनका वितरण मॉडलिंग अक्सर कठिन होता है)।
- यदि आपके पास ऐसी ओवरलैपिंग / जटिल विशेषताएं हैं (जैसे कि पीओएस टैगिंग में) तो आप सीआरएफ पर विचार करना चाह सकते हैं क्योंकि वे इन्हें अपने फ़ीचर फ़ंक्शंस के साथ मॉडल कर सकते हैं (ध्यान रखें कि आपको आमतौर पर इन फ़ंक्शंस को फ़ीचर करना होगा)।
- ytxtcap(xt−1)
- रैखिक और सामान्य CRF के बीच अंतर पर भी ध्यान दें । रैखिक CRFs, HMM की तरह, केवल पिछले तत्व पर निर्भरता थोपते हैं जबकि सामान्य CRF के साथ आप मनमाने ढंग से तत्वों पर निर्भरता थोप सकते हैं (जैसे कि पहला तत्व किसी क्रम के बहुत अंत में पहुँचा जाता है)।
- व्यवहार में, आप सामान्य सीआरएफ की तुलना में अधिक बार रैखिक सीआरएफ देखेंगे क्योंकि वे आमतौर पर आसान अनुमान लगाते हैं। सामान्य तौर पर, सीआरएफ इंजेक्शन अक्सर अवर्णनीय होता है, जो आपको अनुमानित अनुमान के एकमात्र ट्रैक्टेबल विकल्प के साथ छोड़ देता है)।
- रैखिक CRFs में इंजेक्शन Viterbi एल्गोरिथ्म के रूप में HMMs में किया जाता है।
- एचएमएम और रैखिक सीआरएफ दोनों को आमतौर पर अधिकतम संभावना जैसे कि ग्रेडिएंट डिसेंट, क्वैसी -न्यूटन विधियों या एचएमएम के लिए एक्सपेक्टेशन मैक्सिमाइजेशन तकनीक (बॉम-वेल्च एल्गोरिथम) के साथ प्रशिक्षित किया जाता है । यदि अनुकूलन समस्याएं उत्तल हैं, तो ये विधियां इष्टतम पैरामीटर सेट की उपज देती हैं।
- [1] के अनुसार, रैखिक सीआरएफ मापदंडों को सीखने के लिए अनुकूलन समस्या उत्तल है अगर सभी नोड्स में घातीय पारिवारिक वितरण होते हैं और प्रशिक्षण के दौरान देखे जाते हैं।
[१] सटन, चार्ल्स; मैक्कलम, एंड्रयू (2010), "एन इंट्रोडक्शन टू कंडिशनल रैंडम फील्ड्स"
