本文提出了一种有效方法来估计高维的混合模型的参数以及应对 EM 算法的失败问题，该方法基于矩估计法来进行无监督学习从而实现了之前未能达到的混合模型严格的无监督学习结果。

Mar, 2012

本文讨论了如何从不知道缺失数据位置的数据中学习隐马尔可夫模型，在医学和计算生物学等领域中，这些缺失数据会成为使用隐马尔可夫模型的障碍。作者为这个问题提出了一种生成缺失数据位置的通用模型，并给出了两种学习算法，即（半）解析方法和 Gibbs 采样。在各种情况下对这些算法进行了评估和比较，测量了它们在模型错误规格化下的重建精度和鲁棒性。

Mar, 2022

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

分析医疗时间序列数据具有挑战性，而多维度且具有不规则采样、噪声和缺失值的数据、违反可交换性的异质患者组以及可解释性和不确定性量化至关重要。本文提出了一种新颖的模型类别 —— 混合耦合隐马尔可夫模型（M-CHMM），并展示了它优雅地解决了这些挑战。通过提出基于（i）粒子滤波和（ii）分解近似的采样器算法，我们使模型学习成为可能。与现有推理方法相比，我们的算法具有计算可行性、改善混合度和似然估计的特点，似然估计对于学习混合模型是必要的。对具有挑战性的真实流行病学和半合成数据的实验证明了 M-CHMM 的优点：改善数据拟合，能够高效处理缺失和噪声测量，提高预测准确性，并能够识别数据中可解释的子集。

Nov, 2023

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

本论文研究了恐怖组织活动轮廓建模的方法，发展了一个基于 d 状态的隐式马尔科夫模型来追踪恐怖组织的活动轮廓，提出了一种旨在探测和追踪恐怖组织活动突发事件的状态估计策略，并通过实验表明，该方法在非持续的行为变化上有着良好的表现。

Jul, 2012

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

提出了一个半自动视频帧注释的框架，可以通过隐马尔可夫模型对每个视频帧进行标记，该模型旨在对底层对象和其图像处理算法的状态进行建模，从而将视频的注释从一个逐帧标记的问题降为检测底层对象状态转换的问题，该方法在司机凝视分类数据集上进行了评估，取得了较高的准确率和大幅减少了手动注释工作量。

Dec, 2016

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

本文提出了一种名为 HMMTxD 的视觉目标跟踪新方法，利用一个隐式马尔可夫模型将来自互补外部跟踪器和检测器的观测融合起来，且无监督地训练该模型以更新部分注释数据，实验结果表明该方法在不同数据集上均优于现有技术。

Apr, 2015