Tienes razón. La diferencia es bastante pedante.
Una vez escuché una charla de Lubor Ladicky, quien realizó un doctorado muy fuerte en CRF aplicados a la segmentación, donde dijo que no hay diferencia entre MRF y CRF. Por supuesto, algunos profesores de la audiencia se opusieron a este comentario, y hubo algunos de ida y vuelta (que lamentablemente no recuerdo). Pero para simples mortales como yo son prácticamente lo mismo.
Aquí hay un párrafo de la tesis de Ladicky (página 5, http://www.bmva.org/thesis-archi…):
- ¿Qué es el condicionamiento en el aprendizaje seq2seq?
- ¿Cómo debo combinar la retroalimentación implícita y explícita en el filtrado colaborativo?
- Cómo detectar si a una cadena le faltan espacios entre palabras
- ¿Las GPU seguirán dominando la inteligencia artificial y el aprendizaje automático, aumentando el valor de compañías como Nvidia y AMD, o los chips especializados como los de Graphcore se harán cargo?
- ¿Cuáles son los temas sobre big data para hacer una tesis de maestría que excluye el aprendizaje automático?
En los MRF solo los potenciales unarios dependen de los datos. Los MRF globalmente condicionados a los datos se denominan Campos aleatorios condicionales (CRF) [61]. Esta distinción es bastante filosófica, los CRF siguen los mismos principios que los MRF en la visión temprana [6], y los problemas de optimización para CRF y MRF son exactamente los mismos. De hecho, en su mayor parte, esta tesis se refiere a la minimización de las funciones discretas de energía de campo aleatorio y la interpretación probabilística solo se vuelve importante si se desea estimar los parámetros de CRF.
Como nota al margen, con la reactivación de los métodos de aprendizaje profundo, los modelos gráficos son mucho menos importantes en el contexto de la segmentación de imágenes de todos modos. Puede esperar que le den una precisión de ~ 2% en la precisión, pero eso es todo. Las CNN profundas ya pueden tener en cuenta el contexto y el unario dentro de la red. De hecho, un colega mío que trabaja en la segmentación de imágenes piensa en una CNN suficientemente profunda, haciendo pasar mensajes de manera tan efectiva como en Propagación de creencias u otros métodos de inferencia para PGM.
[1412.7062] Segmentación de imagen semántica con redes convolucionales profundas y CRF totalmente conectados