混合隐马尔可夫过程的表示和解交错
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
本文提出了一种有效方法来估计高维的混合模型的参数以及应对EM算法的失败问题,该方法基于矩估计法来进行无监督学习从而实现了之前未能达到的混合模型严格的无监督学习结果。
Mar, 2012
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
本文介绍了一个对层级狄利克雷过程隐藏马尔可夫模型 (HDP-HMM) 的拓展,它可以编码关于状态转换更可能发生在“相邻”的状态之间的先验信息,并通过在状态空间上定义相似度函数和通过成对相似度缩放转移概率,从而在转移分布之间引入相关性。该模型的数据增强表示形式被提出来,作为马尔可夫跳跃过程,其中有些跳跃尝试失败,而成功的概率与源状态和目标状态之间的相似度成正比。这种增强实现条件共轭并且简单地允许使用 Gibbs 抽样器。我们在扬声器日化任务和使用四部合唱数据的“和声分析”任务以及几个合成数据集上对模型和推理方法进行了评估,并与现有模型进行了有利的比较。
Jul, 2017
本论文提出了一个名为 Aggregated Wasserstein 的框架,用于计算两个具有高斯状态条件分布的隐马尔可夫模型之间的差异度量或距离,通过匹配 GMM-HMM 中的状态来实现对其进行注册,通过求解优化问题匹配分量,通过对两个 GMM 之间的 Wasserstein 距离的分量之间成本解决,该优化问题的解是两个 GMM 之间 Wasserstein 距离的快速近似解,该新的 Aggregated Wasserstein 距离是一种半度量,可以计算而不生成 Monte Carlo 样本、并且可以旋转,即不改变其含义,用于测量 GMM-HMM 之间的差异,同时还考虑了两个转移矩阵之间的差异,在时间序列检索、分类和 t-SNE 可视化任务中测试了新的距离,同时在与基于 Kullback-Leibler 散度的现有距离的比较中证明了准确性和效率上的优势。
Nov, 2017
本文介绍了一种基于奇异值分解的算法,可以将用户轨迹聚类成具有公共序列模式的组,进而分析人类行为,并使用EM算法将其应用于混合马尔可夫链的重建,在合成和实际数据上的实验表明该算法在重建错误方面表现优于GKV-SVD算法。
Feb, 2023
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。
May, 2023