GermanWikipedia - /page/entry.mu

Micron Document

<!DOCTYPE html>

<title>Conditional Random Field</title>

</head>

<h1 id="firstHeading" class="firstHeading mw-first-heading"><span class="mw-page-title-main">Conditional Random Field</span></h1>

</header>

</div>

<div id="mw-content-text" class="mw-body-content mw-content-ltr" lang="de" dir="ltr"><div class="mw-content-ltr mw-parser-output" lang="de" dir="ltr"><p>Ein <b>Conditional Random Field (CRF)</b> ist ein Typ von ungerichtetem probabilistischem Modell, der im <a href="Maschinelles_Lernen" title="Maschinelles Lernen">maschinellen Lernen</a> (einem Teilgebiet der <a href="K%C3%BCnstliche_Intelligenz" title="Künstliche Intelligenz">künstlichen Intelligenz</a>) eingesetzt wird. Häufig wird mit dem Begriff auf eine spezielle Form mit linearer Struktur verwiesen, das <i>Linear-Chain Conditional Random Field</i>. Dieses wird typischerweise zur Segmentierung von Sequenzen verwendet. Das bedeutet, das CRF erhält eine Sequenz <span class="mwe-math-element mwe-math-element-inline"><span class="mwe-math-mathml-inline mwe-math-mathml-a11y" style="display: none;"><math xmlns="http://www.w3.org/1998/Math/MathML" alttext="{\displaystyle X}">

</mstyle>

</mrow>

<annotation encoding="application/x-tex">{\displaystyle X}</annotation>

</semantics>

</math></span><img src="./_assets_/eb734a37dd21ce173a46342d1cc64c92/68baa052181f707c662844a465bfeeb135e82bab.svg" class="mwe-math-fallback-image-inline mw-invert skin-invert" aria-hidden="true" style="vertical-align: -0.338ex; width:1.98ex; height:2.176ex;" alt="{\displaystyle X}" loading="lazy"></span> als Eingabe und gibt eine gleich lange Sequenz <span class="mwe-math-element mwe-math-element-inline"><span class="mwe-math-mathml-inline mwe-math-mathml-a11y" style="display: none;"><math xmlns="http://www.w3.org/1998/Math/MathML" alttext="{\displaystyle Y}">

</mstyle>

</mrow>

<annotation encoding="application/x-tex">{\displaystyle Y}</annotation>

</semantics>

</math></span><img src="./_assets_/eb734a37dd21ce173a46342d1cc64c92/961d67d6b454b4df2301ac571808a3538b3a6d3f.svg" class="mwe-math-fallback-image-inline mw-invert skin-invert" aria-hidden="true" style="vertical-align: -0.171ex; width:1.773ex; height:2.009ex;" alt="{\displaystyle Y}" loading="lazy"></span> aus. Im Unterschied zu <a href="Hidden_Markov_Model" title="Hidden Markov Model">Hidden-Markov-Modellen</a> (HMMs; ein anderes, jedoch gerichtetes Modell für sequentielle Daten) kann ein CRF an jeder Stelle auf die komplette Information der Eingabesequenz zugreifen, wohingegen ein HMM nur die aktuelle Eingabe sieht. Hierdurch können komplexe Merkmalsmengen verwendet werden.

</p>

<div class="mw-heading mw-heading2"><h2 id="Training">Training</h2></div>

<p>Wie alle Modelle des <a href="Maschinelles_Lernen" title="Maschinelles Lernen">maschinellen Lernens</a> müssen CRFs <i>trainiert</i> werden, d. h., ihre Parameter müssen aus <a href="Daten" title="Daten">Daten</a> abgeschätzt werden. Hierfür existieren verschiedene Lernverfahren, etwa das <a href="Gradientenverfahren" title="Gradientenverfahren">Gradientenverfahren</a> oder das <a href="Quasi-Newton-Verfahren" title="Quasi-Newton-Verfahren">Quasi-Newton-Verfahren</a>. Dabei werden einige Sequenzen vorgegeben, von denen sowohl die Eingabe als auch die gewünschte Ausgabe bekannt ist (es handelt sich also um <a href="%C3%9Cberwachtes_Lernen" title="Überwachtes Lernen">überwachtes Lernen</a>). Das Lernverfahren versucht dann die Parameter im CRF so anzupassen, dass für möglichst viele Sequenzen in den Trainingsdaten die richtige Ausgabesequenz vorhergesagt wird.

</p>

<div class="mw-heading mw-heading2"><h2 id="Anwendungen">Anwendungen</h2></div>

<p>CRFs wurden erfolgreich auf verschiedene Probleme angewandt, wie zum Beispiel:

</p>

<ul><li><a href="Informationsextraktion" title="Informationsextraktion">Informationsextraktion</a> von natürlichsprachigen Texten</li>

<li><a href="Morphologische_Analyse_(Computerlinguistik)" title="Morphologische Analyse (Computerlinguistik)">Morphologische Analyse</a></li>

<li>Klassifikation von <a href="Protein" title="Protein">Proteinen</a></li>

<li>Vorhersage der <a href="Sekund%C3%A4rstruktur" title="Sekundärstruktur">Sekundärstruktur</a> von <a href="Desoxyribonukleins%C3%A4ure" title="Desoxyribonukleinsäure">DNA</a> und Proteinen</li>

<li>Bilderkennung und Bildrestauration</li></ul>

<div class="mw-heading mw-heading2"><h2 id="Siehe_auch">Siehe auch</h2></div>

<ul><li><a href="Markov_Random_Field" title="Markov Random Field">Markov Random Field</a></li></ul>

<div class="mw-heading mw-heading2"><h2 id="Literatur">Literatur</h2></div>

<ul><li>J. Lafferty, A. McCallum, F. Pereira: <cite style="font-style:italic">Conditional random fields: Probabilistic models for segmenting and labeling sequence data</cite>. In: <cite style="font-style:italic">Proc. 18th International Conf. on Machine Learning</cite>. Morgan Kaufmann, San Francisco, CA 2001, <span style="white-space:nowrap">S.<span style="display:inline-block;width:.2em"> </span>282–289</span>.<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Conditional+Random+Field&rft.atitle=Conditional+random+fields%3A+Probabilistic+models+for+segmenting+and+labeling+sequence+data&rft.au=J.+Lafferty%2C+A.+McCallum%2C+F.+Pereira&rft.btitle=Proc.+18th+International+Conf.+on+Machine+Learning&rft.date=2001&rft.genre=book&rft.pages=282-289&rft.place=San+Francisco%2C+CA&rft.pub=Morgan+Kaufmann" style="display:none"> </span></li>

<li>A. McCallum: <cite style="font-style:italic">Efficiently inducing features of conditional random fields</cite>. In: <cite style="font-style:italic">Proc. 19th Conference on Uncertainty in Artificial Intelligence</cite>. 2003.<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Conditional+Random+Field&rft.atitle=Efficiently+inducing+features+of+conditional+random+fields&rft.au=A.+McCallum&rft.btitle=Proc.+19th+Conference+on+Uncertainty+in+Artificial+Intelligence&rft.date=2003&rft.genre=book" style="display:none"> </span></li>

<li>F. Sha, F. Pereira,: <cite style="font-style:italic">Shallow parsing with conditional random fields</cite>. University of Pennsylvania, 2003 (Technical Report MS-CIS-02-35).<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Conditional+Random+Field&rft.au=F.+Sha%2C+F.+Pereira%2C&rft.btitle=Shallow+parsing+with+conditional+random+fields&rft.date=2003&rft.genre=book&rft.pub=University+of+Pennsylvania" style="display:none"> </span></li>

<li>H. M. Wallach: <cite style="font-style:italic">Conditional random fields: An introduction</cite>. University of Pennsylvania, 2004 (Technical Report MS-CIS-04-21).<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Conditional+Random+Field&rft.au=H.+M.+Wallach&rft.btitle=Conditional+random+fields%3A+An+introduction&rft.date=2004&rft.genre=book&rft.pub=University+of+Pennsylvania" style="display:none"> </span></li>

<li>C. Sutton, A. McCallum: <cite style="font-style:italic">An Introduction to Conditional Random Fields for Relational Learning</cite>. In: Lise Getoor, Ben Taskar (Hrsg.): <cite style="font-style:italic">Introduction to Statistical Relational Learning</cite>. MIT Press, 2006.<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Conditional+Random+Field&rft.atitle=An+Introduction+to+Conditional+Random+Fields+for+Relational+Learning&rft.au=C.+Sutton%2C+A.+McCallum&rft.btitle=Introduction+to+Statistical+Relational+Learning&rft.date=2006&rft.genre=book&rft.pub=MIT+Press" style="display:none"> </span></li>

<li>R. Klinger, K. Tomanek: <cite style="font-style:italic">Classical Probabilistic Models and Conditional Random Fields</cite>. Dortmund University of Technology, Dezember 2007, <a href="Internationale_Standardnummer_f%C3%BCr_fortlaufende_Sammelwerke" title="Internationale Standardnummer für fortlaufende Sammelwerke">ISSN</a> <span style="white-space:nowrap"><a rel="nofollow" class="external text" href="https://zdb-katalog.de/list.xhtml?t=iss%3D%221864-4503%22&key=cql">1864-4503</a></span> (<a rel="nofollow" class="external text" href="https://ls11-www.cs.uni-dortmund.de/_media/techreports/tr07-13.pdf">uni-dortmund.de</a> [PDF] Algorithm Engineering Report TR07-2-013).<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Conditional+Random+Field&rft.au=R.+Klinger%2C+K.+Tomanek&rft.btitle=Classical+Probabilistic+Models+and+Conditional+Random+Fields&rft.date=2007-12&rft.genre=book&rft.issn=1864-4503&rft.pub=Dortmund+University+of+Technology" style="display:none"> </span></li>

<li>T. Kudo, K. Yamamoto, Y. Matsumoto: <cite style="font-style:italic">Applying Conditional Random Fields to Japanese Morphological Analysis</cite>. 2004 (<a rel="nofollow" class="external text" href="http://chasen.org/~taku/publications/emnlp2004-2.pdf">chasen.org</a> [PDF]).<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:Conditional+Random+Field&rft.au=T.+Kudo%2C+K.+Yamamoto%2C+Y.+Matsumoto&rft.btitle=Applying+Conditional+Random+Fields+to+Japanese+Morphological+Analysis&rft.date=2004&rft.genre=book" style="display:none"> </span></li></ul></div><div><div class="zim-footer">

Dieser Artikel wurde von <a class="external text" title="Zuletzt bearbeitet am 2021-11-20" href="https://de.wikipedia.org/wiki/?title=Conditional_Random_Field&oldid=217433975">Wikipedia</a> herausgegeben. Der Text ist unter <a class="external text" href="https://creativecommons.org/licenses/by-sa/4.0/deed.de">Creative Commons Attribution-Share Alike 4.0</a> verfügbar, sofern nicht anders angegeben. Für die Mediendateien können zusätzliche Bedingungen gelten.

</div>

</div></div>

</div>

</main>

</div>

</body></html>