В последние годы все большую актуальность приобретают задачи структурной классификации (structured output learning), в которых класс объекта зависит не только от его признаков, но и от класса других объектов выборки. Примерами таких задач являются сегментация изображений и сигналов, анализ социальных сетей, имитационное моделирование, ранжирование и др. Принятие решения в таких задачах в общем случае является NP-трудной задачей. Появление аппарата вероятностных графических моделей (probabilistic graphical models) позволило разработать эффективные алгоритмы для поиска наиболее вероятных (или близких к ним) конфигураций меток классов объектов. Но задача настройки параметров графических моделей по обучающей выборке долгое время оставалась открытой.
На научно-техническом семинаре Яндекса 13 июня кандидат физико-математических наук в области машинного обучения Дмитрий Ветров рассказал об обобщении метода опорных векторов, неплохо зарекомендовавшего себя в классических задачах машинного обучения на случай структурной классификации, и некоторых особенностях его применения.