托马斯·迪特里希。;郝国华;亚当·阿森费尔特 梯度树增强用于训练条件随机场。 （英语） Zbl 1225.68173号 J.马赫。学习。物件。 9, 2113-2139 (2008). 摘要：条件随机场（CRF）为序列标记问题提供了一个灵活而强大的模型。然而，现有的学习算法速度较慢，尤其是在存在大量潜在输入特征和特征组合的问题上。本文描述了一种通过梯度树增强训练CRF的新算法。在树提升中，CRF势函数被表示为回归树的加权和，这提供了特征交互的紧凑表示。因此，该算法没有明确考虑潜在的大参数空间。因此，梯度树增强按照马尔可夫模型的顺序和特征交互的顺序线性缩放，而不是像以前基于迭代缩放和梯度下降的算法那样按指数缩放。梯度树增强还可以使用实例权重（如C4.5）和代理分割（如CART）来处理缺少的值。对这两种方法（以及标准插补和指标特征方法）有效性的实验研究表明，在大多数情况下，当特征值随机缺失时，实例加权是最佳方法。 引用于2文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 62M40型 随机字段；图像分析 关键词：顺序监督学习;条件随机场;函数梯度;梯度树增强;缺少值 软件：毛坯;4.5条 PDF格式BibTeX公司 XML格式引用 \textit{T.G.Dietterich}等人，J.Mach。学习。第9号决议，2113--2139（2008年；Zbl 1225.68173） 全文： 链接