Markov随机场（MRF）和条件随机场（CRF）

最新推荐文章于 2024-07-07 17:16:52 发布

Daisy_HJL

最新推荐文章于 2024-07-07 17:16:52 发布

阅读量5.2k

点赞数 4

分类专栏： Machine Learning 文章标签： MRF CRF

本文链接：https://blog.csdn.net/qq_28618765/article/details/78219086

版权

随机场是一组相互依赖的随机变量集合，而Markov随机场（MRF）是加入了Markov性质的随机场，用无向图表示变量间的关系。CRF则是在给定观察值下的MRF，用于表示条件分布。MRF的联合概率分布采用Gibbs分布形式，而CRF在此基础上考虑了观察值的影响。

摘要由CSDN通过智能技术生成

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