Markov随机场(MRF)和条件随机场(CRF)
2017-10-12 20:02
288 查看
在讲MRF和CRF之前,我们先来看看随机场又是什么意思?
一、随机场
简单来说,随机场可以看作是一组对应于同一样本空间的随机变量的集合。一般来说,这些随机变量之间存在依赖关系,也只有当它们之间存在依赖关系的时候,我们才会将其单独拿出来看成一个随机场才有实际意义。
二、Markov随机场(MRF)
MRF(Markov Random Fields)就是加了Markov性质的随机场。首先,一个MRF对应一个无向图。这个无向图上的每一个节点对应一个随机变量,节点之间的边对应随机变量之间有概率依赖关系。因此,Markov随机场的结构本质上反应了其先验关系,也就是哪些变量之间有依赖关系是要考虑的,哪些是可以忽略的。
Markov性质是指,Markov随机场中任何一个随机变量,给定场中其他所有变量下该随机变量的分布,等同于给定场中该变量的邻居节点下该变量的分布。这个性质让人联想到马氏链的定义:离当前因素较远的因素对当前因素的性质影响不大。Markov的性质可以看作是Markov随机场的微观属性,其宏观属性是其联合概率的形式。
假设MRF的变量集合为S={y1,...yn},P(y1,...yn)= 1/Z * exp{-1/T * U(y1,..yn)},其中Z是归一化因子,即对分子的所有y1,..yn求和得到。U(y1,..yn)一般称为energy function, 定义为在MRF上所有clique-potential之和。T称为温度,一般取1。什么是click-potential呢? 就是在MRF对应的图中,每一个clique对应一个函数,称为clique-potential。这个联合概率形式又叫做Gibbs distribution。Hammersley
and Clifford定理表达了这两种属性的等价性。
如果clique-potential的定义和clique在图中所处的位置无关,则称该MRF是homogeneous;如果clique-potential的定义和clique在图中的朝向(orientation)无关,则称该MRF是isotropic的。一般来说,为了简化计算,都是假定MRF即是homogeneous也是iostropic的。
三、条件随机场(CRF)
CRF(Conditional Random Fields)是一种判别式图模式。因为其强大的表达能力和出色的性能,得到了广泛的应用。从最通用的角度来看,CRF本质上是给定了观察值集合的MRF。如果给定的MRF中每个随机变量下面还有观察值,我们要确定的是给定观察集合下,这个MRF的分布,就是条件分布,则这个MRF就是CRF。CRF的条件分布形式完全类似于MRF的分布形式,只不过多了一个观察集x,即P(y1,..yn|x) = 1/Z(x) * exp{ -1/T * U(y1,...yn,x)。U(y1,..yn,X)仍旧是click-potential之和。
参考博客:http://blog.sina.com.cn/s/blog_6d15445f0100n1vm.html
马尔科夫链:http://blog.csdn.net/makenothing/article/details/41363971
一、随机场
简单来说,随机场可以看作是一组对应于同一样本空间的随机变量的集合。一般来说,这些随机变量之间存在依赖关系,也只有当它们之间存在依赖关系的时候,我们才会将其单独拿出来看成一个随机场才有实际意义。
二、Markov随机场(MRF)
MRF(Markov Random Fields)就是加了Markov性质的随机场。首先,一个MRF对应一个无向图。这个无向图上的每一个节点对应一个随机变量,节点之间的边对应随机变量之间有概率依赖关系。因此,Markov随机场的结构本质上反应了其先验关系,也就是哪些变量之间有依赖关系是要考虑的,哪些是可以忽略的。
Markov性质是指,Markov随机场中任何一个随机变量,给定场中其他所有变量下该随机变量的分布,等同于给定场中该变量的邻居节点下该变量的分布。这个性质让人联想到马氏链的定义:离当前因素较远的因素对当前因素的性质影响不大。Markov的性质可以看作是Markov随机场的微观属性,其宏观属性是其联合概率的形式。
假设MRF的变量集合为S={y1,...yn},P(y1,...yn)= 1/Z * exp{-1/T * U(y1,..yn)},其中Z是归一化因子,即对分子的所有y1,..yn求和得到。U(y1,..yn)一般称为energy function, 定义为在MRF上所有clique-potential之和。T称为温度,一般取1。什么是click-potential呢? 就是在MRF对应的图中,每一个clique对应一个函数,称为clique-potential。这个联合概率形式又叫做Gibbs distribution。Hammersley
and Clifford定理表达了这两种属性的等价性。
如果clique-potential的定义和clique在图中所处的位置无关,则称该MRF是homogeneous;如果clique-potential的定义和clique在图中的朝向(orientation)无关,则称该MRF是isotropic的。一般来说,为了简化计算,都是假定MRF即是homogeneous也是iostropic的。
三、条件随机场(CRF)
CRF(Conditional Random Fields)是一种判别式图模式。因为其强大的表达能力和出色的性能,得到了广泛的应用。从最通用的角度来看,CRF本质上是给定了观察值集合的MRF。如果给定的MRF中每个随机变量下面还有观察值,我们要确定的是给定观察集合下,这个MRF的分布,就是条件分布,则这个MRF就是CRF。CRF的条件分布形式完全类似于MRF的分布形式,只不过多了一个观察集x,即P(y1,..yn|x) = 1/Z(x) * exp{ -1/T * U(y1,...yn,x)。U(y1,..yn,X)仍旧是click-potential之和。
参考博客:http://blog.sina.com.cn/s/blog_6d15445f0100n1vm.html
马尔科夫链:http://blog.csdn.net/makenothing/article/details/41363971
相关文章推荐
- 马尔科夫随机场(MRF)与条件随机场(CRF)
- 马尔科夫随机场(MRF)与条件随机场(CRF)
- 图像语义分割,全卷积网络FCN和条件随机场CRF、马尔可夫随机场MRF
- 条件随机场(CRF)的一篇不错ppt
- 条件随机场(CRF)
- 条件随机场 (CRF) 分词序列谈之一(转)
- 机器学习 条件随机场CRF
- 中文分词的条件随机场模型(CRF)介绍
- 条件随机场(CRF)
- 机器学习知识点(二十六)概率图模型条件随机场CRF
- 条件随机场简介(CRF)(三)
- 条件随机场(CRF)
- 【转】统计模型之间的比较,HMM,最大熵模型,CRF条件随机场
- 条件随机场(CRF)与隐马尔科夫模型(HMM)
- CRF(Conditional Random Field) 条件随机场
- 机器学习 —— 概率图模型(学习:CRF与MRF)
- 条件随机场(CRF)——qjzcy的博客
- 条件随机场(CRF)— 绪论
- 条件随机场CRF(二) 前向后向算法评估标记序列概率
- 条件随机场专题(3)--说起CRF,不得不提的HMM