返回信息流问题一：“场”的概念如何理解？
我们知道电场，重力场。场对每一个进入其内部的物体发生作用，这种作用表现为力和势能。
而条件随机场是对哪一个发生作用呢？
对于一个观测序列X，我们要得到的是其标注序列Y。
实际上从条件随机场的公式来看，它所得到的是一个P(Y|X)，
而我们所要用的是那个argmax P(Y*|X)中的Y*。
所以我觉得条件随机场应该是对各种可能的Y，
给出一个条件概率。不知道这种理解是否合理？
问题二：条件随机场中的势函数连乘是什么意思？
In general,a graphical model can be written as a product of potential functions over the maximum cliques of the graph.
一个图模型通常可以写成势函数的连乘形式，
而这些势函数依赖于图的“最大团”（cliques,不知这样翻译对不对）。
这里的“最大团”是什么，如何确定？
势函数所体现的是什么？
望大牛细心解答，谢谢！[em69]
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #3377同步于 2008/10/6
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
请教大牛：条件随机场（Conditonal Ramdom fields ）如何理解？
win520
2008/10/6镜像同步2 回复
订阅后，新回复会通过你的通知中心匿名送达。
2 条回复
field译为场。很难理解。也不知道谁先这么译的。
roger矩阵分析的第一部分就是vector space 它的第一小节是scalar field 感觉译为集更合适。我以前觉得field就是一维序列的二维化的东西。现在感觉有点不对。
前两天看了markov random field 没看懂的说。感觉就是二维的markov链
clique我也遇到过。当时就是说这个点和周围的邻接点组成一个clique。最大团就不知道了。
期待大牛来解释。搬个凳子等着
我们要估计的概率是p(Y|X)，比如Y是整个的一个链，或者一个图，但是把Y做为一个整体，这个概率是无法计算的，而且会数据稀疏等问题。
因此我们要把Y做一些独立的假设，把Y分开(P(ABC)与P(A)P(B|A)P(C|B)的区别)
而CRF MEMM HMM的最基本的区别就在于我们的独立假设不一样(从而导致算法的不一样)
，独立假设不一样就导致了我们取的特征不一样
场的概念就是说把Y分成y1 y2...yn后，有联系的yi是个组成一个无向图，计算的时候是联合概率(建模的时候只是一个联合函数，这个地方有个什么Hammersley-Clifford theorem，看不懂，呵呵，有人能解释下不)，而不是memm里的条件概率(p(yi,yj|X)与p(yi|yj,X)的区别)
clique在实际问题中就要看你认为哪些yi是相关的了，相关的yi之间才有图里面的一条边，或者是你通过一些方法分析出来，那些相关的y就组成一个clique，也就是图里的团。不过这不是最大团，因为这里的团之间还是有联系的，这个图应该是连通图