用于监督序列标注的稀疏条件随机场的高效学习
机器学习
2015-05-14 v2 计算与语言
摘要
条件随机场(CRFs)是监督序列标注中一种流行且高效的方法。CRFs能够处理大型描述空间，并整合标签间的某种结构依赖关系。本文中，我们基于通过L1惩罚施加稀疏性的方法，解决CRFs的高效特征选择问题。我们首先展示了如何利用参数集的稀疏性来显著加速训练和标注过程。然后，我们引入了用于L1正则化CRFs的坐标下降参数更新方案。最后，我们提供了所提方法与最先进CRF训练策略的一些经验比较。特别地，结果表明所提方法能够利用稀疏性加速处理，从而可能处理更大维度的模型。
引用
@article{arxiv.0909.1308,
title = {Efficient Learning of Sparse Conditional Random Fields for Supervised Sequence Labelling},
author = {Nataliya Sokolovska and Thomas Lavergne and Olivier Cappé and François Yvon},
journal= {arXiv preprint arXiv:0909.1308},
year = {2015}
}