Oct, 2017

学习隐藏量子马尔可夫模型

PDF
TL;DR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。
quantum probabilistic graphical modelshidden quantum markov modelslearning algorithmsequential databaum-welch algorithm
发现论文，激发创造
  • 希尔伯特空间中的学习与推断：量子图模型

    研究提出了 HSE-HQMM 模型，通过量子图模型和 Hilbert 空间嵌入技术对物理过程进行建模，并在多个数据集上进行了比较试验。

    Oct, 2018

  • 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

  • 用变分 HEM 对隐藏马尔可夫模型进行聚类

    本文提出了一种称为变分分层 EM (VHEM) 的算法，用于基于分层 EM 算法 (HEM) 对 HMM 进行聚类。该算法将给定的 HMM 集合聚类成相似的 HMM 组，并用集群中的 HMM 表示集群，以便更好地在时序数据的各种任务上使用。结果显示，VHEM 能够改善模型鲁棒性、减少学习时间和内存需求。

    Oct, 2012

  • 丢失了什么？在观测数据缺失位置未知时学习隐藏马尔可夫模型

    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

  • 使用条件样本学习隐马尔可夫模型

    该论文研究了学习隐马尔可夫模型的计算复杂性，提出了一种交互式访问模型，证明该模型可以使学习算法计算效率更高，为两种不同的学习隐马尔可夫模型设置下算法，并扩展到具有潜在低秩结构的分布类别。

    Feb, 2023

  • 使用混合量子自编码器进行聚类和增强分类

    本文提出了一种基于混合量子自编码器的 QML 算法，旨在在经典描述的空间中学习识别和分类量子态的特征属性，为聚类和半监督分类提供了一种新的方法，该方法针对的是幅度编码的量子态，可以应用于非平凡的量子数据集的结构分析。

    Jul, 2021

  • 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

  • 用克隆的隐马尔可夫模型学习高阶时序结构

    本论文提出一个名为 cloned HMM 的稀疏结构的 Hidden Markov Models 模型，通过这一结构，模型可以高效地学习变化顺序序列及处理不确定性，实现了对 n-gram、序列记忆器和 RNN 等方法的超越。

    May, 2019

  • 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

  • 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