金字塔隐马尔可夫模型用于多元时间序列预测
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
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
这篇研究提出了一种混合隐藏马尔可夫 - LSTM 模型,用于交通流预测,相比于传统方法,如 Markov 切换 ARIMA 和 LSTM,该模型具有显着的性能提升。
Jul, 2023
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
本文提出了显式时长的分层狄利克雷过程隐半马可夫模型(HDP-HSMM),并开发了采样算法用于有效的后验推断,这个方法不仅可以为有限的贝叶斯 HSMM 提供新的采样方法,而且可以嵌入到更大的分层贝叶斯模型的采样器中,为贝叶斯推断提供另一种工具。
Mar, 2012
传统的心理健康研究方法包括广义线性模型(GLM)来描述观察到的心理行为测量(问卷摘要得分)的纵向动态。而隐藏马尔可夫模型(HMM)通过有限状态自动机(FSA)的视角应用于行为和神经活动与抑郁之间的关系,以提供更综合和直观的建模和理解框架。
Mar, 2024
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
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