|
===================================== 〔語彙分解〕的な部分一致の検索結果は以下の通りです。 ・ 条件 ： [じょうけん] 【名詞】 1. conditions 2. terms ・ 条件付き ： [じょうけんつき] 1. (exp) conditionally 2. with conditions attached ・ 件 ： [くだん, けん] 【名詞】 1. matter 2. case 3. item ・ 付 ： [ふ] 1. (n,vs) giving to 2. submitting to 3. refer to 4. affix 5. append ・ 付き ： [つき, づき] 1. (n,n-suf) attached to 2. impression 3. sociality 4. appearance 5. furnished with 6. under 7. to ・ 確 ： [たしか] 1. (adj-na,adv,exp,n) certain 2. sure 3. definite 4. if I'm not mistaken 5. if I remember correctly ・ 確率 ： [かくりつ] 【名詞】 1. probability ・ 場 ： [ば] 【名詞】 1. place 2. field (physics)
条件付き確率場（じょうけんつきかくりつば、英語：conditional random field、CRF）は無向グラフにより表現される確率的グラフィカルモデルの一つであり、識別モデルである。これは自然言語処理、生体情報工学、コンピュータビジョンなどの分野で連続データの解析などによく利用される。特にCRFは形態素解析、固有表現抽出、ゲノミクスに応用され、隠れマルコフモデルに関連するような問題において、代わりとしても用いることができる。コンピュータビジョンにおいては、物体認識、画像領域分割（セグメンテーション）などに使用される。 ==概要== CRFは無向性のグラフィカルモデルであり、それぞれの頂点は分布が推論されるべき確率変数を表現する。辺は二確率変数間の依存性を表現する。詳細はグラフィカルモデルの項を参照のこと。モデルにおいては、確率変数間の対での依存性のみがモデル化される。一般的な場合は、高次CRFsを参照のこと。各ノードやモデル全体は指数分布族となることが多い。この分布はギブス分布にあるようにエネルギー項を記述する。 おおよそ興味ある分布に相当するグラフ構造は既知であると仮定される。一方で分布のパラメータは学習される。 CRFのパラメータの学習の基本的な前提は、変数が推論されるべきであるのに対し変数は常に観測されるということである。このことは、同時確率の最大化とは対照的に、条件付き確率の最大化を可能にさせる。この計算はモデルの識別学習に相当する。 抄文引用元・出典: フリー百科事典『 ウィキペディア（Wikipedia）』 ■ウィキペディアで「条件付き確率場」の詳細全文を読む スポンサード リンク
|