論文の概要: On equivalence between linear-chain conditional random fields and hidden Markov chains

• arxiv url: http://arxiv.org/abs/2111.07376v1
• Date: Sun, 14 Nov 2021 15:53:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-16 14:04:36.977703
• Title: On equivalence between linear-chain conditional random fields and hidden Markov chains
• Title（参考訳）: 線形鎖条件付きランダム場と隠れマルコフ連鎖の同値性について
• Authors: Elie Azeraf, Emmanuel Monfrini, Wojciech Pieczynski
• Abstract要約: 著者は通常、条件付きランダムフィールド(CRF)を生成モデルとは全く異なるものとみなす。 自然言語処理(NLP)のようないくつかの領域では、識別モデルは、完全に置換された生成モデルを持つ。 HMC と線形鎖 CRF は異なるのではなく、単に異なるパラメトリゼーションモデルであることを示す。
• 参考スコア（独自算出の注目度）: 6.939768185086753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Practitioners successfully use hidden Markov chains (HMCs) in different problems for about sixty years. HMCs belong to the family of generative models and they are often compared to discriminative models, like conditional random fields (CRFs). Authors usually consider CRFs as quite different from HMCs, and CRFs are often presented as interesting alternative to HMCs. In some areas, like natural language processing (NLP), discriminative models have completely supplanted generative models. However, some recent results show that both families of models are not so different, and both of them can lead to identical processing power. In this paper we compare the simple linear-chain CRFs to the basic HMCs. We show that HMCs are identical to CRFs in that for each CRF we explicitly construct an HMC having the same posterior distribution. Therefore, HMCs and linear-chain CRFs are not different but just differently parametrized models.
• Abstract（参考訳）: 実践者は60年ほどの間、隠れマルコフ連鎖(HMC)を様々な問題でうまく利用した。 HMCは生成モデルのファミリーに属し、条件付きランダムフィールド(CRF)のような識別モデルと比較されることが多い。 著者は通常、CRF を HMC とは全く異なるものとみなし、CRF は HMC の代替としてしばしば興味深いものとして提示される。 自然言語処理(nlp)のようないくつかの領域では、識別モデルは生成モデルを完全に置き換えている。 しかし、最近の結果から、どちらのモデルもそれほど違いがなく、どちらも同一の処理能力に繋がる可能性があることが示されている。 本稿では, 単純な線形鎖 CRF と基本 HMC を比較する。 それぞれのCRFに対して,同じ後部分布を有するHMCを明示的に構築する。 したがって、HMC と線形鎖 CRF は異なるのではなく、単に異なるパラメトリゼーションモデルである。

関連論文リスト

• Linear chain conditional random fields, hidden Markov models, and related classifiers [4.984601297028258]
  条件付ランダム場(CRF)は隠れマルコフモデル(HMM)の代替である LC-CRF の基本線形鎖 CRF (LC-CRF) は実際,各 LC-CRF に対して HMM が存在するという意味で等価であることを示す。 そこで本研究では,HMMにおける生成ベイズ分類器の最大後次モード (MPM) と最大後次モード (MAP) を識別的に再構成可能であることを示す。
  論文  参考訳（メタデータ） (2023-01-03T18:52:39Z)
• Max Markov Chain [4.531240717484252]
  我々は、高階マルコフ連鎖(HMC)の有用な部分集合に対する新しい表現であるMax Markov Chain(MMC)を紹介する。 MMCはHMCの表現性を保ちながら同義語である。 我々は、MCCがモデリングプロセスにとって価値のある代替手段であり、多くの潜在的な応用があることを示します。
  論文  参考訳（メタデータ） (2022-11-02T21:50:54Z)
• Expressivity of Hidden Markov Chains vs. Recurrent Neural Networks from a system theoretic viewpoint [0.0]
  まず,Hydden Markov Chains (HMC) と Recurrent Neural Networks (RNN) を生成モデルとみなす。 両構造を共通生成統一モデル(GUM)に組み込む。
  論文  参考訳（メタデータ） (2022-08-17T09:23:41Z)
• Linear Connectivity Reveals Generalization Strategies [54.947772002394736]
  微調整されたモデルのいくつかは、それらの間の線形経路における損失を増大させる大きな障壁を持つ。 テスト損失面上で線形に接続されているが、クラスタ外のモデルから切り離されている異なるモデルのクラスタが見つかる。 我々の研究は、損失面の幾何学がモデルを異なる関数へと導く方法を示している。
  論文  参考訳（メタデータ） (2022-05-24T23:43:02Z)
• Fuzzy Cognitive Maps and Hidden Markov Models: Comparative Analysis of Efficiency within the Confines of the Time Series Classification Task [0.0]
  時系列分類における隠れマルコフモデル(HMM)の適用について検討する。 HMM NN (HMM, 1シリーズ), HMM 1C (HMM, 1クラス), FCM NN, FCM 1C の4つのモデルを連続実験で検討した。
  論文  参考訳（メタデータ） (2022-04-28T12:41:05Z)
• Learning Hidden Markov Models When the Locations of Missing Observations are Unknown [54.40592050737724]
  本研究では、未知の観測位置を持つデータからHMMを学習する際の一般的な問題について考察する。 我々は、下層の鎖の構造に関する仮定を一切必要としない再構成アルゴリズムを提供する。 適切な仕様の下では、プロセスのダイナミクスを再構築でき、また、見当たらない観測位置が分かっていたとしても、その有効性を示す。
  論文  参考訳（メタデータ） (2022-03-12T22:40:43Z)
• Riemannian Score-Based Generative Modeling [56.20669989459281]
  経験的性能を示すスコアベース生成モデル(SGM)を紹介する。 現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。 これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
  論文  参考訳（メタデータ） (2022-02-06T11:57:39Z)
• Task-agnostic Continual Learning with Hybrid Probabilistic Models [75.01205414507243]
  分類のための連続学習のためのハイブリッド生成識別手法であるHCLを提案する。 フローは、データの配布を学習し、分類を行い、タスクの変更を特定し、忘れることを避けるために使用される。 本研究では,スプリット-MNIST,スプリット-CIFAR,SVHN-MNISTなどの連続学習ベンチマークにおいて,HCLの強い性能を示す。
  論文  参考訳（メタデータ） (2021-06-24T05:19:26Z)
• What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
  ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。 また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
  論文  参考訳（メタデータ） (2021-04-29T15:38:46Z)
• Equivalence of Segmental and Neural Transducer Modeling: A Proof of Concept [56.46135010588918]
  RNN-Transducerモデルとセグメントモデル(直接HMM)の広く使われているクラスが等価であることを証明する。 空白確率はセグメント長確率に変換され,その逆も示された。
  論文  参考訳（メタデータ） (2021-04-13T11:20:48Z)
• Joints in Random Forests [13.096855747795303]
  決定木(DT)とランダムフォレスト(RF)は、日々の機械学習実践者やデータ科学者にとって重要な、強力な識別学習者およびツールである。 本稿では、DTとRFは確率回路との接続を描画することで、自然に生成モデルと解釈できることを示す。 この再解釈は特徴空間に完全結合分布を持たせ、生成決定木(GeDT)と生成森林(GeF)へと導く。
  論文  参考訳（メタデータ） (2020-06-25T14:17:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。