本文解析了因子图模型在《Neuralizing Regular Expressions for Slot Filling》中的应用，对比FST与i-FST，重点介绍了它们如何通过变量和因子描述转化过程中的输入输出与状态关系。特别关注了i-FST的独立输出特性。
-
因子图是一种概率图模型，用于学习和推理。
两种类型的节点：随机变量(random) variables和因子factors。
随机变量用于定量描述一个事件；因子是变量的函数，用于评估变量之间的关系。
- The fifigure shows an example of a factor graph, where v1 and v2 are two variables, and f1, f2 are two factors. Factor f1 is connected with v1 and v2, while f2 is connected with v2.
-
《Neuralizing Regular Expressions for Slot Filling》中，FST与i-FST的因子图如下：
其中，X,Y表示一个转化过程中的输入和输出，F,T表示转化过程中的源状态和目标状态。
对于FST，每个转化过程与输入输出，源状态和目标状态有关。
对于i-FST，每次转化只由输入，源状态和目标状态定义，与输出无关；output独立于输入，只与转化涉及到的目标状态有关。
参考：deepdive.stanford.edu/assets/factor_graph.pdf
扫一扫
3537
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
