本文提出了一个基于软聚合模型的简单算法,通过对系统轨迹的概率聚合图进行估计,可以获得显式形式的聚合分布和解聚分布,进而生成具有理解性的数据驱动状态聚合图。
Nov, 2018
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
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
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
高维随机动力系统中,系统识别的关键是通过观察到的轨迹对系统进行状态转移矩阵估计。由于空间 - 时间相关性,当动力系统具有一个不同的特征值且失配度为 n-1 时,可能导致维度的诅咒问题。通过最小二乘回归处理这些发现来进行误差分析。
Oct, 2023
本文提出了一种名为 SPEDER 的替代谱方法,它从动态中提取状态 - 动作抽象,同时平衡学习过程中的探索与利用,并在在线和离线设置中证明了其样本效率及在多项基准测试中的优越性能。
Aug, 2022
本文研究具有长距离依赖的预测任务的序列建模,提出了一种基于谱滤波算法学习线性动力系统的状态空间模型的新形式。这一提议产生了一种名为谱状态空间模型的新型序列预测架构,通过对合成动力系统进行评估,支持了谱滤波在需要非常长远记忆的任务中的理论优势。
Dec, 2023
本文研究了从一个单一的长序列状态观测中估计离散状态马尔可夫链核参数的统计复杂性。我们表征了(模对数因子而言)在算子无穷范数意义下估计最小化信赖样本复杂度的有限情况,而在可数无限情况下,我们则分析了基于总变差导出的自然逐项方式规范的问题。我们证明,在这两种情况下,样本复杂度取决于未知链的混合特性,在有限状态情况下,已知有完全经验置信区间的有限样本估计器。
Sep, 2018
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
本文介绍了一种利用随机量子操作代替 von Neumann 投影量子有限状态生成器的方法,并建立了这种随机生成器与具有平移不变矩阵乘积状态表示的多体状态的顺序读出之间的联系。通过以 1D cluster 状态为例,证明了量子描述可以具有比经典随机描述更高的压缩程度。
Feb, 2010