提出了一种新的鲁棒 HDP-HSMM（rHDP-HSMM）方法，用于减少冗余状态的数量，并改善模型估计的一致性。通过模拟研究和使用自然驾驶数据的案例研究来证明该方法在识别和推断驾驶操纵模式方面的有效性。

Nov, 2023

采用贝叶斯非参数方法，利用层次狄利克雷过程隐马尔可夫模型（HDP-HMM）解决会议音频数据的说话人分离问题，提出了增强的 HDP-HMM 模型以控制状态切换速率和实现发射分布的非参数处理，以及利用 Dirichlet 过程的截断逼近提高混合速率的采样算法，与 Benchmark NIST 数据集的实验结果表明，我们的方法取得了最优的结果。

May, 2009

本文介绍了一个对层级狄利克雷过程隐藏马尔可夫模型 (HDP-HMM) 的拓展，它可以编码关于状态转换更可能发生在 “相邻” 的状态之间的先验信息，并通过在状态空间上定义相似度函数和通过成对相似度缩放转移概率，从而在转移分布之间引入相关性。该模型的数据增强表示形式被提出来，作为马尔可夫跳跃过程，其中有些跳跃尝试失败，而成功的概率与源状态和目标状态之间的相似度成正比。这种增强实现条件共轭并且简单地允许使用 Gibbs 抽样器。我们在扬声器日化任务和使用四部合唱数据的 “和声分析” 任务以及几个合成数据集上对模型和推理方法进行了评估，并与现有模型进行了有利的比较。

Jul, 2017

我们引入了一个新的 HiP-MDP 隐藏参数马尔可夫决策过程的处理方式，它能够通过低维度的潜在嵌入来建模相关任务的家族。我们采用贝叶斯神经网络来替换原模型中的高斯过程，从而使推理更具可扩展性，我们正确地模拟了潜在参数和状态空间中的联合不确定性，并扩大了 HiP-MDP 的应用范围，可以应用于维度更高且具有更复杂动态的问题。

Jun, 2017

该研究介绍了一种针对文档群集的 Hierarchical Dirichlet process (HDP) 模型，描述了一种新的 split-merge MCMC 采样算法用于后验推断，这种算法可以显著改善传统的 Gibbs 采样，并且给出了一些因数据属性而导致的改进理解。

Jan, 2012

该论文介绍了一种名为隐藏参数马尔科夫决策过程 (HiP-MDP) 的框架，用于对控制应用中的不同动态系统进行参数化，并提出了一种半参数回归方法来学习其结构。在控制设置中，学习的 HiP-MDP 能够快速识别新任务实例的动态，使得智能体能够灵活适应任务的变化。

Aug, 2013

该研究提出了一种用于回归问题的监督层次狄利克雷过程模型（sHDP），并与另一种流行的回归模型进行了比较和评估，结果表明该模型适用于实际分类与回归问题中的数据集，并能够通过数据结构和标签联合学习，构建一种可预测性的分类聚类。

Dec, 2014

本文提出了一种新的非同质隐马尔可夫模型推理算法，该算法允许我们处理在状态转移模型以及发射分布中引入的非齐次性，充分体现了贝叶斯分析在这一领域中的优势。

Jan, 2017

开发基于随机梯度 MCMC 算法的隐马尔可夫模型参数学习方法，通过利用内在的记忆衰减特性以应对离散状态与小批量数据带来的挑战，进而在合成实验和电离子通道记录数据上展示该算法的有效性和性能优势。

Jun, 2017

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。

Oct, 2009