میدان تصادفی شرطی (به انگلیسی: Conditional Random Field)، یک مدل آماری است که در یادگیری ماشین کاربرد دارد. کاربرد اصلی آن در یادگیری ساختاریافته (به انگلیسی: Structured Learning) است.

تعریف

فرض کنیم دو دسته متغیر داریم و . در نظر بگیریم گرافی داریم که متغیرها روی آن تعریف شده اند، یعنی . زوج یک میدان تصادفی است که دارای ویژگی مارکوف مقابل است: که به معنی آن است که و در همسایگی هم قرار دارند.

استنتاج

در حالت کلی استنتاج روی میدان تصادفی شرطی بسیار شبیه به میدان تصادفی مارکفی و از لحاظ محاسباتی دشوار است. اما به ازای بعضی شرایط خاص می‌توان آن‌ها را به صورت ساده تری حل کرد:

  • اگر گراف بدون حلقه باشد در اینصورت الگوریتم‌های message passing جواب درست را بدست می دهند. در حالت خاص اگر گراف، زنجیره باشد، الگوریتم forward-backward و الگوریتم ویتربی جواب درست را بدست می دهند.
  • در حالتی که گراف دارای پتانسیل‌های دو-دویی باشد، الگوریتم برش کمینه جواب بهینه را بدست می دهد.

در صورتی که جواب دقیق غیرممکن باشد، راه حل‌های تقریبی می‌توانند کمک کنند:

  • Loopy belief propagation
  • Alpha expansion
  • Mean field inference یا یادگیری بیزی تغییراتی
  • Linear programming relaxations

یادگیری مدل

پارامترهای مدل، مثلاً معمولاً با درست نمایی بیشینه برای یاد گرفته می‌شوند. در صورتی که همه ی متغیرها دارای توزیعی نمایی باشند و همه ی آن‌ها مشاهده شوند، مسئله ی بهینه‌سازی (ریاضیات) مورد نظر محدب خواهد بود.

همچنین ببینید

  • مدل گرافی
  • میدان تصادفی مارکفی
  • مدل مارکوف بیشینه آنتروپی

مطالعه ی بیشتر

  • McCallum, A.: Efficiently inducing features of conditional random fields. In: Proc. 19th Conference on Uncertainty in Artificial Intelligence. (2003)

این مقاله با استفاده از مواد از مقاله ویکی پدیا میدان تصادفی شرطی است که تحت Creative Commons Attribution-Share-Alike License 3.0 منتشر می شود.