Although it encompasses HMM-like mo

Although it encompasses HMM-like models, the class of
conditional random fields is much more expressive, because
it allows arbitrary dependencies on the observation sequence. In addition, the features do not need to specify
completely a state or observation, so one might expect that
the model can be estimated from less training data. Another
attractive property is the convexity of the loss function; indeed,
CRFs share all of the convexity properties of general
maximum entropy models.

Kết quả (Việt) 1:

Mặc dù nó bao gồm mô hình giống như HMM, lớpcó điều kiện trường ngẫu nhiên là nhiều hơn nữa diễn cảm, bởi vìnó cho phép bất kỳ phụ thuộc vào thứ tự quan sát. Ngoài ra, các tính năng không cần phải chỉ địnhhoàn toàn là một tiểu bang hay quan sát, do đó, người ta có thể mong đợi đóCác mô hình có thể được ước tính từ dữ liệu đào tạo chưa. Khácbất động sản hấp dẫn là convexity chức mất; Thật vậy,CRFs chia sẻ tất cả các thuộc tính convexity của tướngMô hình dữ liệu ngẫu nhiên tối đa.

Kết quả (Việt) 2:

Mặc dù nó bao gồm các mô hình HMM-như, lớp của
trường ngẫu nhiên có điều kiện hơn nhiều ý nghĩa, vì
nó cho phép phụ thuộc tùy vào trình tự quan sát. Ngoài ra, các tính năng không cần phải xác định
hoàn toàn một nhà nước hoặc quan sát, vì vậy người ta có thể hy vọng rằng
các mô hình có thể được ước lượng từ dữ liệu huấn luyện ít hơn. Một
tài sản hấp dẫn là lồi của hàm tổn thất; thực sự,
CRFs chia sẻ tất cả các thuộc tính lồi của chung
mô hình entropy cực.