結構化感知器（structure perceptron）與普通感知器（perceptron）有何不同？

為什麼使用結構化感知器（structure perceptron)就能進行全局學習（global learning）？

謝邀。首先，「全局學習」的概念主要針對的是結構化預測問題（structure prediction），比如序列標註或者句法分析。不同於簡單的多元分類，在結構化預測問題中，通常需要一個較為複雜的解碼過程才能夠獲得最終的結構化輸出。

以序列標註為例進行說明：

如果我們為每一時刻的標籤預測學習一個分類器，而不考慮不同時刻標籤之間的依賴性，那麼我們只需要抽取與該時刻類別（y_t）相關的特徵：f(y_t, x)，再使用線性函數對其打分：s = w * f(y_t, x)，並根據感知器來更新參數。

如果我們考慮對全局結構進行整體性的預測：y = [y_1, y_2, ..., y_n]，那麼就需要抽取全局的結構化特徵了，即：f(y, x)。那麼對於整體結構預測的打分則為：s = w * f(y, x)，然後再根據感知器更新參數。當然，如果考慮序列y中所有時刻標籤之間的依賴性，則f(y, x)在某些情況下會變得很難計算。因此，我們通常需要引入一些獨立假設，比如Markov假設。反映在factor graph中，也就是定義好clique。