Modèle conditionnel contraint
Un modèle conditionnel contraint (CCM) est un cadre d’apprentissage automatique et d'inférence qui enrichit l'apprentissage de modèles conditionnels (probabilistes ou discriminants) avec des contraintes déclaratives.
La contrainte peut être utilisée comme un moyen d'intégrer des connaissances expressive préalable dans le modèle et de biaiser les cessions effectuées par le modèle pour satisfaire ces contraintes. Le cadre peut être utilisé pour soutenir les décisions dans un espace de sortie expressif tout en maintenant la modularité et la facilité de formation et d'inférence.
Des modèles de ce genre ont récemment suscité de l’intérêt dans le traitement du langage naturel (NLP). Formuler des problèmes en tant que problèmes d’optimisation limités par rapport à la sortie de modèles étudiés présente plusieurs avantages. Cela permet de se concentrer sur la modélisation des problèmes en offrant la possibilité d'incorporer des connaissances spécifiques à un domaine en tant que contraintes globales utilisant un langage de premier ordre. L'utilisation de ce cadre déclaratif libère le développeur de l’ingénierie des fonctionnalités de bas niveau tout en capturant les propriétés spécifiques au domaine du problème et en garantissant une inférence exacte.
Du point de vue de l’apprentissage automatique, il permet de découpler l’étape de la génération du modèle (apprentissage) de celle de l’étape de l’inférence contrainte, contribuant ainsi à simplifier l’étape de l’apprentissage tout en améliorant la qualité des solutions. Par exemple, dans le cas de la génération de phrases compressées, plutôt que de simplement compter sur un modèle de langage pour conserver les n-grammes les plus couramment utilisés dans la phrase, des contraintes peuvent être utilisées pour garantir que si un modificateur est conservé dans la phrase compressée, son sujet sera également conservé.
