فرانك-ولف المُنظَّم للنماذج الترابطية الكثيفة: تعميم الحقل المتوسط وذاك beyond

نقدّم خوارزمية فرانك-ولف المنتظمة، وهي خوارزمية عامة وفعّالة للاستنتاج والتعلم في الحقول العشوائية الشرطية الكثيفة (CRFs). تقوم الخوارزمية بتحسين تبسيط مستمر غير محدب لمشكلة استنتاج CRF باستخدام طريقة فرانك-ولف التقليدية مع تحديثات تقريبية، والتي تكافئ تقليل دالة طاقة منتظمة. إن الطريقة المقترحة تمثل تعميمًا للخوارزميات الحالية مثل طريقة الحقل المتوسط أو إجراء المحدب-المنخفض (concave-convex procedure). وتُوفّر هذه الرؤية تحليلًا موحدًا لهذه الخوارزميات، كما تتيح طريقة سهلة لاستكشاف أشكال مختلفة قد تؤدي إلى أداء أفضل. نوضح ذلك في نتائجنا التجريبية على مجموعات بيانات قياسية للتصنيف الدلالي، حيث تتفوّق عدة نسخ مُطبّقة من خوارزمية فرانك-ولف المنتظمة على استنتاج الحقل المتوسط، سواء كمكون مستقل أو كطبقة قابلة للتدريب من النهاية إلى النهاية داخل شبكة عصبية. كما نُظهر أن الحقول العشوائية الشرطية الكثيفة، عند دمجها مع خوارزمياتنا الجديدة، تحقق تحسينات كبيرة مقارنةً بالأساسيات القوية المبنية على الشبكات العصبية العميقة (CNN).