نموذج الحقل العشوائي الشرطي (CRF) ذا السلسلة الخطية هو أحد أكثر نماذج التسمية التسلسلية العصبية استخدامًا على نطاق واسع. تُطبَّق عادةً خوارزميات الاستدلال الاحتمالي الدقيق مثل خوارزميتي التقدم-الرجوع (forward-backward) وفيفيبي (Viterbi) في مراحل التدريب والتنبؤ لنموذج CRF. ومع ذلك، تتطلب هذه الخوارزميات عمليات حسابية تسلسلية، مما يجعل من المستحيل توازي التنفيذ. في هذا البحث، نقترح استخدام خوارزمية استدلال تقريبية قابلة للتوازي لنموذج CRF. وباستناد إلى هذه الخوارزمية، نصمم شبكة استدلال تقريبي يمكن ربطها بمحول (encoder) نموذج CRF العصبي لتكوين شبكة نهائية (end-to-end) قابلة للتوازي، مما يُسهِّل التدريب والتنبؤ بشكل أسرع. تُظهر النتائج التجريبية أن النهج المقترح يحقق تحسنًا بنسبة 12.7 مرة في سرعة التفكيك (decoding) عند التعامل مع الجمل الطويلة، مع الحفاظ على دقة تنافسية مقارنة بالنهج التقليدي لنموذج CRF.