May, 2023

快速自适应三进制分割：隐马尔可夫模型的有效解码过程

PDF
TL;DR本文介绍了一种名为 Quick Adaptive Ternary Segmentation（QATS）的新方法，能以对数多项式时间和立方根性时间解码 HMM 中的隐藏序列，同时保证回传序列的正确性。QATS 方法能够提供对 Viterbi 算法的加速，并通过 Monte-Carlo 模拟证明了其效果。
hidden markov modelsviterbi algorithmqatspolylogarithmic computational complexitylocal likelihood scores
发现论文，激发创造
  • 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

  • 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

  • 在线维特比算法及其与随机游走的关系

    本文提出一种在线维特比算法，用于在远小于线性空间的情况下解码隐马尔可夫模型，该算法计算长度为 $n$，具有 $m$ 个状态的 HMM 所需的最大内存使用量期望可以低至 $\Theta (m\log n)$，用于基因发现的简单 HMM 模型的实验结果表明该算法的性能表现出色。

    Mar, 2007

  • 学习隐藏量子马尔可夫模型

    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

  • 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

  • 使用向量量化预测网络状态的 RNN 转录器 VQ-T

    本文研究使用 VQ-LSTM 单元在预测网络中来改善 ASR 系统中 beam search 和 hypothesis merging 算法中的问题，实验结果支持这种 LSTM 单元与传统 LSTM 网络相比能够产生更好的 ASR 性能和效果。

    Aug, 2022

  • 基于在线自适应隐式马尔科夫模型的多目标跟踪融合

    本文提出了一种名为 HMMTxD 的视觉目标跟踪新方法，利用一个隐式马尔可夫模型将来自互补外部跟踪器和检测器的观测融合起来，且无监督地训练该模型以更新部分注释数据，实验结果表明该方法在不同数据集上均优于现有技术。

    Apr, 2015

  • 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

  • 基于被边缘化的束搜索算法的分层隐马尔可夫模型

    本文提出了两种新算法来解决在分层隐马尔可夫模型中推断状态序列时遇到的问题。这两种算法当应用于外在状态序列时，相比 Viterbi 算法有更高的性能表现。通过模拟和采用纳米孔测序数据评估了这些算法的表现。

    May, 2023

  • 树上耦合分支的隐马尔可夫模型的高效解决方案

    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