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

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

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

本文介绍了一种利用长短时记忆模型和隐马尔科夫模型相结合的方法来提高循环神经网络的可解释性的途径，并在文本数据和医疗时间序列数据上测试了该算法，发现 LSTM 和 HMM 学习文本特征的信息互为补充。

Nov, 2016

本文通过扩展树状数据上的隐马尔可夫模型 (HMMs) 框架，专注于解决具有相互关联分支的树状结构数据的场景，研发了一种能够高效解决似然、解码和参数学习问题的动态规划算法，具有多项式规模计算可行性且不受下溢问题的影响，为分析复杂生物数据提供了实用工具，同时推进了对树状 HMMs 的理论理解。

Jun, 2024

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

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

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

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

该研究论文介绍了一种基于隐藏马尔科夫模型来学习词汇表示，并使用大量未标记数据将这些方法更好地适用于不同领域数据的方法。

Dec, 2013