পার্শ্ব নোট হিসাবে: আমি দয়া করে আপনাকে এই (অসম্পূর্ণ) তালিকাটি বজায় রাখতে বলব যাতে আগ্রহী ব্যবহারকারীরা সহজেই অ্যাক্সেসযোগ্য সংস্থান করতে পারেন। স্থিতাবস্থায় সিআরএফ এবং এইচএমএম সম্পর্কিত উত্তরগুলি খুঁজতে ব্যক্তিদের প্রচুর কাগজপত্র এবং / অথবা দীর্ঘ প্রযুক্তিগত প্রতিবেদনগুলি তদন্ত করতে হবে।
অন্যান্য, ইতিমধ্যে ভাল উত্তরগুলি ছাড়াও, আমি স্বতন্ত্র বৈশিষ্ট্যগুলির মধ্যে আমি উল্লেখযোগ্য বলে মনে করি:
- এইচএমএমগুলি হ'ল জেনারেটাল মডেল যা যৌথ বিতরণ পি (y, x) মডেল করার চেষ্টা করে। সুতরাং, এই জাতীয় মডেলগুলি পি (এক্স) ডেটা বিতরণের মডেল করার চেষ্টা করে যা ফলস্বরূপ অত্যন্ত নির্ভরশীল বৈশিষ্ট্যগুলি আরোপ করতে পারে । এই নির্ভরশীলতাগুলি কখনও কখনও অনাকাঙ্ক্ষিত হয় (যেমন এনএলপির পোস ট্যাগিংয়ে) এবং মডেল / গণনাতে প্রায়শই অন্তরঙ্গ।
- সিআরএফগুলি বৈষম্যমূলক মডেল যা কোন মডেল পি (y | x)। যেমন, তাদের পরিষ্কারভাবে পি (এক্স) মডেল করার প্রয়োজন নেই এবং কার্যের উপর নির্ভর করে, উচ্চতর পারফরম্যান্স পেতে পারে, কারণ তাদের আরও কিছু পরামিতি শিখতে হবে যেমন, নমুনা তৈরি করার সময় সেটিংসে প্রয়োজনীয়তা নেই । জটিল এবং ওভারল্যাপিং বৈশিষ্ট্যগুলি ব্যবহার করার সময় বৈষম্যমূলক মডেলগুলি প্রায়শই উপযুক্ত suitable
- আপনার যদি এ জাতীয় ওভারল্যাপিং / জটিল বৈশিষ্ট্যগুলি থাকে (পিওএস ট্যাগিংয়ের মতো) তবে আপনি সিআরএফস বিবেচনা করতে চাইতে পারেন কারণ তারা এগুলি তাদের বৈশিষ্ট্য ফাংশনগুলির সাথে মডেল করতে পারেন (মনে রাখবেন যে আপনাকে সাধারণত এই ফাংশনগুলি বৈশিষ্ট্য-প্রকৌশলী করতে হবে)।
- সাধারণভাবে, সিআরএফগুলি বৈশিষ্ট্য কার্যকারিতা প্রয়োগের কারণে এইচএমএমগুলির চেয়ে বেশি শক্তিশালী । উদাহরণস্বরূপ, আপনি 1 ( মতো ফাংশনগুলি মডেল করতে পারেনYটিএক্সটিc a p ( xt - 1)
- লিনিয়ার এবং সাধারণ সিআরএফ এর মধ্যে পার্থক্যটিও নোট করুন । লিনিয়ার সিআরএফ, যেমন এইচএমএসগুলি কেবল পূর্বের উপাদানগুলির উপর নির্ভরশীলতা আরোপ করে যেখানে সাধারণ সিআরএফগুলির সাহায্যে আপনি স্বেচ্ছাসেবী উপাদানগুলির উপর নির্ভরতা চাপিয়ে দিতে পারেন (উদাহরণস্বরূপ, প্রথম উপাদানটি একটি ক্রমের একেবারে শেষে অ্যাক্সেস করা হয়)।
- অনুশীলনে, আপনি সাধারণত সাধারণত সিআরএফগুলির তুলনায় লিনিয়ার সিআরএফ দেখতে পাবেন যেহেতু তারা সাধারণত সহজ অনুমানের অনুমতি দেয়। সাধারণভাবে, সিআরএফ অনুমিতি প্রায়শই অবিচল থাকে, আপনাকে আনুমানিক অনুমানের একমাত্র ট্র্যাকটেবল বিকল্প দিয়ে রেখে দেয়)।
- লিনিয়ার সিআরএফ- তে অনুভূতি এইচএমএস-এর মতো ভিটারবি অ্যালগরিদম দিয়ে করা হয়।
- এইচএমএম এবং লিনিয়ার সিআরএফ উভয়ই সাধারণত সর্বোচ্চ সম্ভাবনার কৌশল যেমন গ্রেডিয়েন্ট বংশোদ্ভূত, কোয়াসি-নিউটন পদ্ধতি বা প্রত্যাশা ম্যাক্সিমাইজেশন কৌশল (বাউম-ওয়েলক অ্যালগরিদম) সহ এইচএমএমগুলির জন্য প্রশিক্ষিত । যদি অপ্টিমাইজেশানের সমস্যাগুলি উত্তল হয় তবে এই পদ্ধতিগুলি সর্বোত্তম পরামিতি সেট দেয়।
- [1] মতে, রৈখিক CRF পরামিতি শেখার জন্যে অপ্টিমাইজেশান সমস্যা উত্তল যদি সব নোড আছে সূচকীয় পরিবার ডিস্ট্রিবিউশন ও প্রশিক্ষণ চলাকালে লক্ষ্য করা যায়।
[1] সুতান, চার্লস; ম্যাককালাম, অ্যান্ড্রু (২০১০), "শর্তাধীন র্যান্ডম ক্ষেত্রগুলির পরিচিতি"
