Fugu-MT 論文翻訳(概要): Bregman Conditional Random Fields: Sequence Labeling with Parallelizable Inference Algorithms

論文の概要: Bregman Conditional Random Fields: Sequence Labeling with Parallelizable Inference Algorithms

arxiv url: http://arxiv.org/abs/2506.00732v1
Date: Sat, 31 May 2025 22:36:21 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-04 21:47:33.510515
Title: Bregman Conditional Random Fields: Sequence Labeling with Parallelizable Inference Algorithms
Title（参考訳）: Bregman条件付きランダムフィールド:並列化推論アルゴリズムを用いたシーケンスラベリング
Authors: Caio Corro, Mathieu Lacroix, Joseph Le Roux,
Abstract要約: 本稿では,Bregman Conditional random Field (BCRF) と呼ばれるシーケンスラベリングの新しい識別モデルを提案する。 BCRFは、反復的なブレグマン射影に基づく高速並列化可能な推論アルゴリズムを実現する。このようなモデルがFenchel-Youngの損失を使ってどのように学習できるかを示す。
参考スコア（独自算出の注目度）: 7.690409460019577
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We propose a novel discriminative model for sequence labeling called Bregman conditional random fields (BCRF). Contrary to standard linear-chain conditional random fields, BCRF allows fast parallelizable inference algorithms based on iterative Bregman projections. We show how such models can be learned using Fenchel-Young losses, including extension for learning from partial labels. Experimentally, our approach delivers comparable results to CRF while being faster, and achieves better results in highly constrained settings compared to mean field, another parallelizable alternative.
Abstract（参考訳）: 本稿では,Bregman Conditional random Field (BCRF) と呼ばれるシーケンスラベリングのための新しい識別モデルを提案する。標準線形鎖条件付きランダム場とは対照的に、BCRFは反復ブレグマン射影に基づく高速並列化推論アルゴリズムを実現する。このようなモデルがFenchel-Youngの損失を使ってどのように学習できるかを示す。実験により,提案手法は高速でありながらCRFに匹敵する結果が得られ,また,他の並列化可能な代替手段である平均場よりも高い制約付き設定で良好な結果が得られる。

関連論文リスト

Tractable Bounding of Counterfactual Queries by Knowledge Compilation [51.47174989680976]
本稿では, パール構造因果モデルにおいて, 因果関係などの部分的特定可能なクエリのバウンダリングの問題について議論する。最近提案された反復EMスキームは初期化パラメータをサンプリングしてそれらの境界を内部近似する。シンボルパラメータを実際の値に置き換えた回路構造を,単一のシンボル知識コンパイルによって得られることを示す。
論文参考訳（メタデータ） (2023-10-05T07:10:40Z)
A Fast Algorithm for the Real-Valued Combinatorial Pure Exploration of Multi-Armed Bandit [55.2480439325792]
多武装バンディット(R-CPE-MAB)の真価純探査問題について検討する。本稿では,差分に基づく探索法 (CombGapE) アルゴリズムを提案する。我々は,CombGapEアルゴリズムが,合成データセットと実世界のデータセットの両方において,既存の手法を大幅に上回っていることを数値的に示す。
論文参考訳（メタデータ） (2023-06-15T15:37:31Z)
Dilated Continuous Random Field for Semantic Segmentation [6.1794523510406885]
平均場近似法は、セマンティックセグメンテーションのための現代連続ランダム場(CRF)ベースのソリューションの基礎を築いた。本稿では,拡張スパース畳み込みモジュール(DSConv)を用いた大域的最適化により,平均場近似の制約を緩和することを提案する。さらに、完全連結層の置換として、アダプティブグローバル平均プールとアダプティブグローバル最大プールが実装されている。
論文参考訳（メタデータ） (2022-02-01T00:38:55Z)
Regularized Frank-Wolfe for Dense CRFs: Generalizing Mean Field and Beyond [19.544213396776268]
我々は,高次条件場に対する汎用的で効果的なCNNベースライン推論である正規化Frank-Wolfeを導入する。新しいアルゴリズム、新しいアルゴリズム、新しいデータセット、強力なニューラルネットワークの大幅な改善が示されています。
論文参考訳（メタデータ） (2021-10-27T20:44:47Z)
Masked Conditional Random Fields for Sequence Labeling [2.982218441172364]
条件付きランダムフィールド(CRF)ベースのニューラルモデルは、シーケンスラベリング問題を解決する最も高性能な方法の一つである。我々は,学習段階と復号段階の両方において,候補経路の制約を課すCRFの簡易な実装法であるMasked Conditional Random Field (MCRF)を提案する。本稿では,提案手法がこの問題を徹底的に解決し,既存のCRFモデルに対してほぼゼロのコストで一貫した改善をもたらすことを示す。
論文参考訳（メタデータ） (2021-03-19T08:23:24Z)
Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文参考訳（メタデータ） (2020-10-24T07:01:24Z)
AIN: Fast and Accurate Sequence Labeling with Approximate Inference Network [75.44925576268052]
線形鎖条件ランダム場(CRF)モデルは最も広く使われているニューラルネットワークラベリング手法の1つである。厳密な確率的推論アルゴリズムは典型的にはCRFモデルの訓練と予測段階に適用される。 CRFモデルに対して並列化可能な近似変分推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-17T12:18:43Z)
Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
論文参考訳（メタデータ） (2020-04-23T05:00:21Z)
Best Arm Identification for Cascading Bandits in the Fixed Confidence Setting [81.70513857417106]
CascadeBAIを設計し、分析する。これは、$K$アイテムのベストセットを見つけるアルゴリズムである。 CascadeBAIの時間的複雑さの上限は、決定的な分析課題を克服することによって導かれる。その結果,カスケードBAIの性能は,時間的複雑性の低い境界の導出により,いくつかの実践的状況において最適であることが示唆された。
論文参考訳（メタデータ） (2020-01-23T16:47:52Z)

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。