एक कंडीशनल रैंडम फील्ड (सीआरएफ) सांख्यिकीय मॉडलिंग विधियों का एक वर्ग है जिसका उपयोग पैटर्न पहचान और मशीन लर्निंग में संरचित भविष्यवाणी के लिए किया जाता है। एक क्लासिफायर के विपरीत जो पड़ोसी नमूनों पर विचार किए बिना एकल नमूने के लिए एक लेबल की भविष्यवाणी करता है, एक सीआरएफ संदर्भ को ध्यान में रख सकता है, भविष्यवाणियों को एक ग्राफिकल मॉडल के रूप में मॉडलिंग करके जो उनके बीच निर्भरताओं का प्रतिनिधित्व करता है। ग्राफ संरचना अनुप्रयोग पर निर्भर करती है: उदाहरण के लिए, प्राकृतिक भाषा प्रसंस्करण में, लीनियर चेन सीआरएफ लोकप्रिय हैं, जहां प्रत्येक भविष्यवाणी केवल अपने तत्काल पड़ोसियों पर निर्भर करती है; छवि प्रसंस्करण में, ग्राफ आमतौर पर स्थानों को निकट या समान स्थानों से जोड़ता है ताकि सुसंगत भविष्यवाणियों को लागू किया जा सके।
सीआरएफ विभेदक अप्रत्यक्ष संभाव्य ग्राफिकल मॉडल हैं। औपचारिक रूप से, अवलोकनों \(\boldsymbol{X}\) और यादृच्छिक चर \(\boldsymbol{Y}\) को देखते हुए, जो एक ग्राफ \(G=(V,E)\) के शीर्षों \(V\) द्वारा अनुक्रमित हैं, युग्म \((\boldsymbol{X},\boldsymbol{Y})\) एक कंडीशनल रैंडम फील्ड है यदि प्रत्येक चर \(\boldsymbol{Y}_v\), \(\boldsymbol{X}\) पर सशर्त, ग्राफ के संबंध में मार्कोव गुण का पालन करता है: इसकी संभावना केवल \(G\) में इसके पड़ोसियों पर निर्भर करती है, अन्य चरों पर नहीं। इसका मतलब है कि नोड्स दो असंबद्ध सेटों में विभाजित हैं, देखे गए चर \(\boldsymbol{X}\) और आउटपुट चर \(\boldsymbol{Y}\), और सशर्त वितरण \(p(\boldsymbol{Y}|\boldsymbol{X})\) मॉडलिंग की जाती है।
अनुप्रयोग
सीआरएफ का व्यापक रूप से प्राकृतिक भाषा प्रसंस्करण और जैविक अनुक्रमों में अनुक्रमिक डेटा के लेबलिंग या पार्सिंग के लिए उपयोग किया जाता है। सामान्य कार्यों में पार्ट-ऑफ-स्पीच टैगिंग, उथला पार्सिंग, नामित इकाई पहचान, जीन खोज, और पेप्टाइड महत्वपूर्ण कार्यात्मक क्षेत्र खोज शामिल हैं। कंप्यूटर विज़न में, सीआरएफ वस्तु पहचान और छवि विभाजन पर लागू होते हैं, जहां स्थानिक संदर्भ सुसंगत लेबल उत्पन्न करने में मदद करता है। उदाहरण के लिए, छवि विभाजन में, एक सीआरएफ यह लागू कर सकता है कि समान रंगों वाले पड़ोसी पिक्सेल को समान लेबल मिले।
अनुमान
सामान्य ग्राफों के लिए, सीआरएफ में सटीक अनुमान असंभव है, मार्कोव रैंडम फील्ड्स के समान। हालांकि, विशेष मामले सटीक समाधान की अनुमति देते हैं। यदि ग्राफ एक श्रृंखला या पेड़ है, तो संदेश पासिंग एल्गोरिदम सटीक परिणाम देते हैं, जो छिपे हुए मार्कोव मॉडल के लिए उपयोग किए जाने वाले फॉरवर्ड-बैकवर्ड और विटरबी एल्गोरिदम के समान हैं। यदि सीआरएफ में केवल जोड़ीवार क्षमताएं हैं और ऊर्जा सबमॉड्यूलर है, तो संयोजनात्मक अधिकतम-प्रवाह न्यूनतम-कट एल्गोरिदम सटीक समाधान प्रदान करते हैं। जब सटीक अनुमान असंभव है, अनुमानित तरीकों में लूपी बेलिफ प्रोपेगेशन, अल्फा एक्सपेंशन, मीन फील्ड अनुमान, और रैखिक प्रोग्रामिंग रिलैक्सेशन शामिल हैं।
पैरामीटर सीखना
पैरामीटर \(\theta\) सीखना आमतौर पर \(p(Y_i|X_i;\theta)\) के अधिकतम संभावना अनुमान द्वारा किया जाता है। यदि सभी नोड्स में घातीय परिवार वितरण हैं और प्रशिक्षण के दौरान सभी नोड्स देखे गए हैं, तो अनुकूलन समस्या उत्तल है और ग्रेडिएंट डिसेंट या अर्ध-न्यूटन विधियों जैसे एल-बीएफजीएस का उपयोग करके हल की जा सकती है। यदि कुछ चर अनदेखे हैं, तो उन चरों के लिए अनुमान किया जाना चाहिए, और क्योंकि सामान्य ग्राफों में सटीक अनुमान असंभव है, अनुमानित तरीकों का उपयोग किया जाता है।
अन्य मॉडलों से संबंध
सीआरएफ छिपे हुए मार्कोव मॉडल (एचएमएम) से संबंधित हैं लेकिन विभेदक हैं, संयुक्त वितरण के बजाय सशर्त वितरण को सीधे मॉडलिंग करते हैं। यह सीआरएफ को स्वतंत्रता धारणाओं के बिना अवलोकनों की मनमानी, अतिव्यापी विशेषताओं को शामिल करने की अनुमति देता है। अनुक्रम मॉडलिंग में, एक लीनियर चेन सीआरएफ एक विशेष मामला है जहां ग्राफ एक श्रृंखला है, जिससे अनुमान कुशल हो जाता है। सीआरएफ Natural language processing और Computer vision में प्रभावशाली रहे हैं, और आधुनिक Machine learning पाइपलाइनों में प्रासंगिक बने हुए हैं, हालांकि गहन शिक्षण विधियों ने कई अनुप्रयोगों में उन्हें बड़े पैमाने पर बदल दिया है। हालांकि, सीआरएफ को कभी-कभी Neural network मॉडल के साथ जोड़ा जाता है, जैसे कि अनुक्रम लेबलिंग के लिए न्यूरल सीआरएफ में, जहां एक तंत्रिका नेटवर्क विशेषताओं की गणना करता है और एक सीआरएफ परत निर्भरताओं को मॉडल करती है।