马尔科夫转换模型的可辨识性
使用代数方法建立了鉴定隐藏类模型参数的一般方法，包括有限或非参数混合、隐藏马尔可夫模型和随机图混合模型，并且发现在参数化设置中，传统定义的可辨识性通常太强，在非参数设置中，受到限制的混合分布才能获得可识别性。
Sep, 2008
通过建立高阶马尔可夫切换模型的可辨识性，我们提出了基于制度依赖因果关系的发现方法，并通过实证研究展示了该方法在高阶制度依赖结构估计上的可扩展性，并对脑活动数据的适用性进行了说明。
Jun, 2024
研究了针对一些未观测到的 (离散值) 直接因素的线性切换回归模型的 MLE 的存在性、一致性和渐近正态性的充分条件，构建了一种测试工具以及一种因果发现算法，并测试发现该算法在模型违规的情况下也具有鲁棒性，且表现优于现有的方法，同时还能够对数据点进行基于过程的聚类。
Aug, 2018
在非平稳环境中，本研究通过探索具有时间延迟因果关系的过程下的马尔可夫假设，表明在温和条件下，可以从非线性混合中恢复独立的潜在成分，而无需观察辅助变量。我们还提出了 NCTRL，一种基于原则的估计框架，仅通过测量的序列数据重建时间延迟的潜在因果变量并确定它们之间的关系。经验评估表明，我们的方法可可靠地识别时间延迟的潜在因果影响，并在很大程度上胜过无法充分利用非平稳性并因此无法区分分布变化的现有基线方法。
Oct, 2023
本文研究在数据的概率模型中推断一个潜在函数的问题，并探究了基于马尔可夫链蒙特卡罗采样的高效计算方法在大型数据集上的可行性，提出了一种近似方法，使潜在变量和相关参数的顺序采样能够有效地处理增长数据设置，证明了其在无序、非顺序采样下不可行的情况下的强大性能。
Jul, 2018
本文旨在通过恢复底层的低维潜在状态及其时间演化来改进动力系统的泛化能力和解释能力。我们提出了一种基于变分自编码器的实用算法，并在逼真的合成环境中进行了实证研究，证明我们能够高准确性地恢复潜在状态动力学，相应地实现高未来预测准确性，并且能够快速适应新环境。
Jun, 2024
使用贝叶斯非参数方法，将层次狄利克雷过程先验应用于两种切换动态模型，学习未知的持续光滑动态模式，同时推断动态依赖性的稀疏集，以学习具有变化状态维数的切换线性动态系统或具有变化自回归顺序的切换 VAR 过程，最终通过舞蹈蜜蜂序列、IBOVESPA 股票指数和机动目标跟踪应用程序展示模型的效用和灵活性
Mar, 2010
该研究提出了一种高效的推理方法，其中关键点是学习一个推理网络，该网络可用作连续潜变量的提案分布，并对离散潜变量进行精确边缘化。通过使用重参数化技巧和随机梯度下降的端到端训练，我们表明这种方法可以成功地将时间序列数据进行分割，包括视频和三维人体姿势，以实现有意义的 “制度”。
Oct, 2019
我们提出了一种基于可识别的潜在环境状态（IDEA）的方法来检测分布转变发生的时间，并通过充分观察假设来解耦稳态和非稳态潜在状态的变化，其中包括自回归隐马尔可夫模型来估计潜在环境和模块化先验网络来识别潜在状态。在各种基准数据集上，IDEA 模型优于几种最新的非稳态预测方法，突显了其在实际场景中的优势。
Feb, 2024