Oct, 2009

降秩隐马尔可夫模型

PDF
TL;DR本研究介绍了一种名为 Reduced-Rank Hidden Markov Model 的模型，它是隐马尔可夫模型和线性动态系统的一般化，可被广泛应用于多变量连续型数据的建模和机器视觉模型问题。同时，我们提出一种基于谱方法的算法，可以用于学习这个模型，达到了高准确性和高效率的模拟和预测效果。
reduced-rank hidden markov modellinear dynamical systemsspectral learning algorithmmultivariate continuous datarobot vision modeling
发现论文，激发创造
  • 缩放隐马尔可夫语言模型

    本研究重新探讨使用最新的神经模型方法实现隐藏马尔可夫模型（HMM）规模化的挑战，提出了一种方法来快速有效地在大规模状态空间中对 HMM 进行精确推断、紧凑参数化以及有效规范化，取得的实验证明，该方法比之前的 HMM 和 n-gram 方法更准确，为实现最先进的神经模型的性能作出了贡献。

    Nov, 2020

  • 隐马尔可夫模型的最小实现问题

    研究了隐马尔可夫模型及其扩展类 quasi-HMMs 生成的离散随机过程的建模问题，提出了基于有限长度的序列概率的两种模型，并通过张量分解技术，对这两种模型进行了比较和联系。

    Nov, 2014

  • 通过连续矩阵的谱分解学习非参数排放 HMM

    研究使用连续线性代数和数值分析的计算方法，采用非参数模型来推断连续发射密度，以实现对隐马尔可夫模型的估计，证明了计算方法的有效性和可行性，并探讨了其样本复杂度和连续矩阵的扰动等问题。

    Sep, 2016

  • 贝叶斯非参数隐马尔可夫半马尔可夫模型

    本文提出了显式时长的分层狄利克雷过程隐半马可夫模型（HDP-HSMM），并开发了采样算法用于有效的后验推断，这个方法不仅可以为有限的贝叶斯 HSMM 提供新的采样方法，而且可以嵌入到更大的分层贝叶斯模型的采样器中，为贝叶斯推断提供另一种工具。

    Mar, 2012

  • 自回归低秩张量模型切换

    本论文提出了一种名为 SALT 模型的概率模型，用于对具有时间变化动态的系统进行的时间序列分析，并在各种模拟和真实预测任务上表现出优越性。

    Jun, 2023

  • 一种用于学习隐马尔可夫模型的频谱算法

    本文介绍了一种高效学习隐马尔可夫模型的算法，其样本复杂度不明确依赖于离散观察序列的数量，而是通过其谱属性隐含地依赖于该数量，这使得该算法适用于像自然语言处理这样具有大量观察值的领域。

    Nov, 2008

  • 结构化模型中的低秩约束用于快速推理

    本文提出一种简单的方法，通过将中心推理步骤视为矩阵向量积并使用低秩约束，以降低大类结构模型的计算和内存复杂度。使用神经参数化结构模型进行语言建模，多声部音乐建模，无监督语法归纳和视频建模的实验表明，我们的方法与大型状态空间的标准模型具有相同的准确性，同时提供了实际的加速。

    Jan, 2022

  • 利用隐马尔科夫模型提高循环神经网络的可解释性

    通过将循环神经网络与隐马尔科夫模型相结合，旨在增加其可解释性，发现 LSTM 和 HMM 可以学习互补的文本特征信息。

    Jun, 2016

  • 隐含 HMM 的神经有效样本似然自由贝叶斯推断

    提出了一种新的、样本高效的无似然推断方法，用于估计隐式隐藏状态的高维度后验分布，通过利用马尔可夫性质，直接学习不可行的隐藏状态的后验分布，其在评估隐式 HMM 时，估计结果的质量与使用计算成本更高的 SMC 算法相当。

    May, 2024

  • 学习隐藏量子马尔可夫模型

    本文提出了一种学习算法来从数据中估计 HQMM 的参数，该算法可以模拟经典的 HMM 并放宽了在量子电路上建模 HMM 的限制，同时在合成数据上的试验表明，我们的算法可以学习与真实 HQMM 相同数量状态和预测精度的 HQMM，而用 Baum-Welch 算法学习的 HMM 则需要更多状态才能匹配预测精度。

    Oct, 2017