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

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

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

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

该论文提出了基于隐马尔可夫模型的故事脚本形式化框架，支持强大的推理和学习算法，有效预测缺失事件，优于以往聚类模型。

Sep, 2018

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

提出了一种新的算法，用于从已发射的数据中识别隐马尔可夫模型（HMM）的转移和发射概率。该算法尤其适用于样本长度足够长以准确估计二阶输出概率但不是更高阶输出的情况下。我们将方法应用于隐藏主题马尔科夫建模，并证明如果文档被建模为共享相同发射（主题）概率 HMM 的观察值，与简单但广泛使用的词袋模型相比，可以学习具有更高质量的主题。

Feb, 2018

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

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