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