Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
HMM、CRFの概要
Search
Ayumu
January 24, 2019
0
210
HMM、CRFの概要
長岡技術科学大学
自然言語処理研究室
学部3年 守谷歩
Ayumu
January 24, 2019
Tweet
Share
More Decks by Ayumu
See All by Ayumu
B3ゼミ_03_28_マルチモーダル学習_.pdf
ayumum
0
150
マルチモーダル学習
ayumum
0
120
B3ゼミ 自然言語処理におけるCNN
ayumum
0
86
言語処理年次大会報告
ayumum
0
72
ニューラルネット4
ayumum
0
95
文献紹介「二値符号予測と誤り訂正を用いたニューラル翻訳モデル」
ayumum
0
130
ニューラルネット3 誤差伝搬法,CNN,word2vec
ayumum
0
160
ニューラルネット実践
ayumum
0
98
文献紹介[Zero-Shot Dialog Generation with Cross-Domain Latent Action]
ayumum
0
150
Featured
See All Featured
Into the Great Unknown - MozCon
thekraken
15
1k
For a Future-Friendly Web
brad_frost
172
9k
JavaScript: Past, Present, and Future - NDC Porto 2020
reverentgeek
41
4.4k
RailsConf 2023
tenderlove
9
570
StorybookのUI Testing Handbookを読んだ
zakiyama
13
4.6k
Fashionably flexible responsive web design (full day workshop)
malarkey
398
65k
Rails Girls Zürich Keynote
gr2m
91
13k
Making the Leap to Tech Lead
cromwellryan
125
8.5k
Writing Fast Ruby
sferik
622
60k
The Mythical Team-Month
searls
217
42k
Designing for Performance
lara
601
67k
How to name files
jennybc
65
93k
Transcript
識別モデル 2019/01/24 長岡技術科学大学 自然言語処理研究室 学部3年 守谷 歩 マルコフモデル復習、隠れマルコフモデル、条 件付確率場
マルコフモデル ⚫状態が過去の状態に依存するマルコフ性があるモデル。 ⚫過去データ数mに依存するモデルをm階マルコフモデルという。 ⚫このマルコフモデルの中でも状態が離散的なものをマルコフ連鎖と呼ぶ。 ⚫マルコフ性のある天気で考える。晴れ、雨、雪の3状態があったときその3状態に対し て次に来る天気が以下のようであったとする。 今日の天気 明日の天気の確率 晴れ 雨
雪 晴れ 0.8 0.15 0.05 雨 0.7 0.2 0.1 雪 0.5 0.2 0.3
天気(マルコフモデル復習) ⚫今日の天気が70%の確率で晴れ、25%の確率で雨、5%の確率で雪であれば、晴れ晴れ雪雪 雨晴れとくる確率は下の表と初期の確率から より状態をSとすると 1 ∗ 1 1 ∗ 3
1 ∗ 3 3 ∗ 2 3 ∗ 1 2 = 0.7 ∗ 0.8 ∗ 0.05 ∗ 0.3 ∗ 0.2 ∗ 0.7 = 0.001176 ということがわかる。 これをマルコフモデルという。 今日の天気 明日の天気の確率 晴れS1 雨S2 雪S3 晴れS1 0.8 0.15 0.05 雨S2 0.7 0.2 0.1 雪S3 0.5 0.2 0.3 初期の確率 晴れ=0.7 雨=0.25 雪=0.05
隠れマルコフモデル(HMM) ⚫状態そのものを観測できないと仮定したときに状態に依存した観 測可能な値より状態を推定することができる。 ⚫例えばある地域の天気の状態が晴れか雨の2値であるとする。天 気がマルコフ性があるとしたとき、観測者はある人間の体調しか見 ることができないとする。晴れの時は0.6の確率で元気で、0.4の確 率で体調不良になる。また、雨の時は0.5の確率元気で、0.5の確率 で体調不良になる。この人間の体調を見ればおおよその天気が推 測できる。このように観測可能な変数に対して、状態が隠れている モデルを隠れマルコフモデルという。
図解 状態遷移確率 X T 晴れ T 雨 T-1 晴れ 0.8
0.2 T-1 雨 0.7 0.3 確率分布 Y 元気 体調不良 晴れ 0.6 0.4 雨 0.5 0.5 X X X Y Y Y Y 観測可能領域 状態(隠れ変数) 体調不良 元気 晴れ 雨
言語処理への展開 ⚫英語の品詞タグ付けの問題を、隠れ状態が品詞であると し、品詞から単語が出力されると考えると品詞付与コーパ スがあれば、コーパス中の品詞の頻度や品詞bi-gramの頻 度で最も確率の高い品詞列を求める問題に変わる。
条件付確率場(CRF) ⚫品詞のタグ付けを例として考える。 ⚫CRFでは入力x(ここでは文字列)が与えられたとき状態y(品詞)を 持つ条件付確率を以下のように計算する。 = 1 (λ ∗
, −1 , , ) Z=σ = 1 で確率の和を1にする正規化項 この時の (, −1 , , )は素性関数と呼ばれる。 λ は各素性に対する重み
言語処理への展開 条件付き確率が最大=品詞列は正しいっぽい 正規化項とexpを無視すれば、 = ( λ ∗ ,
−1 , , ) となり、ビタビアルゴリズムによって最大値を与えるyを求めることが できる。