- 一个对不诚实赌场的反事实分析
通过引入结构因果模型，本研究使用线性规划方法求解在动态隐藏马尔可夫模型中与作弊有关的预期收益的界限，为因果推断中的反事实推断提供了限制，同时对教育背景下的反事实推断产生了积极影响。
- 隐含 HMM 的神经有效样本似然自由贝叶斯推断
提出了一种新的、样本高效的无似然推断方法，用于估计隐式隐藏状态的高维度后验分布，通过利用马尔可夫性质，直接学习不可行的隐藏状态的后验分布，其在评估隐式 HMM 时，估计结果的质量与使用计算成本更高的 SMC 算法相当。
- 慢性病患者轨迹的数据驱动分组：以腰痛为例的证据
通过混合隐马尔可夫模型对长期疾病患者轨迹进行亚群分组，从而实现个性化医疗，该模型在研究中表现出较常见基准的优势
- 基于 HMM 稳定化深度学习的高效手术工具识别
经过探索性数据分析，我们发现手术视频具有相对简单的语义结构，我们提出了一种基于隐马尔可夫模型（HMM）的深度学习方法，用于工具存在性检测，结果表明，与复杂模型结构的流行深度学习方法相比，我们的方法在性能、训练和运行成本以及数据利用方面都更优 - 使用统计学习和测试床测量的 IT 入侵检测
我们研究了在 IT 基础设施中的自动入侵检测问题，特别是根据基础设施的连续测量数据来识别攻击开始、攻击类型和攻击者采取的行动序列。我们应用了统计学习方法，包括隐马尔可夫模型（HMM）、长短期记忆（LSTM）和随机森林分类器（RFC），将观测 - 非线性系统的闭式滤波
提出了一种基于高斯 PSD 模型的新型滤波器类，具有密度逼近和计算效率等方面的优势，并在转换和观测为高斯 PSD 模型时，证明了该估计器在适当的近似质量和转换概率的正规性下享有良好的理论保证，具有与内存和计算复杂度相关的 TV ε-erro - 基于鉴别对齐的投影信念网络用于声学事件分类：与最先进的 CNNs 相媲美
通过投影信念网络（PBN）和生成随机网络进行判别式对齐从而提高分类性能，并将隐马尔可夫模型与 PBN 结合，结果显示与先进的卷积神经网络相比，PBN-DA-HMM 能够获得可比或更好的性能，并且当与卷积神经网络结合时错误率降低了一倍。
- 基于参数束缚的贝叶斯知识追踪
这篇论文通过基本数学概念推导出了一种限制 Bayesian Knowledge Tracing 参数空间的方法，并引入了一个新的算法来估计参数。
- 金字塔隐马尔可夫模型用于多元时间序列预测
提出了一种名为 Pyramidal Hidden Markov Model (PHMM) 的模型，通过采用金字塔式堆叠的方式自适应地识别长期多步随机状态，能够有效处理非平稳和嘈杂数据，建立更准确、全面的长期依赖性进行时间序列预测，实验证明该 - 通过结合 CNNs 的分类和 HMMs 的时间序列分析在胃肠道中进行精确定位
本研究提出了一种有效地对视频胶囊内镜图像进行肠胃分类的方法，该方法通过将卷积神经网络（CNN）用于分类与隐马尔可夫模型（HMM）的时间序列分析属性相结合，演示了连续的时间序列分析可以识别和纠正 CNN 输出的错误，该方法在罗得岛（RI）胃肠 - 简化蒙特卡洛序列重采样的方差缩减
通过提出一种基于确定性域的重复中值遍历策略，我们在重采样中实现了较低的方差，相比其他重采样方法，快速而准确地逼近了非线性情况下的隐藏马尔可夫模型。
- 无监督机器学习模型选择中的主观性
本研究以隐马尔可夫模型为例，调查了模型选择过程中涉及的主观性，发现参与者和大型语言模型在不同的应用场景下存在选择的差异和不一致性，结果突出了在模型选择过程中制定标准化方式以记录主观选择的重要性。
- 训练动力学的潜在状态模型
模型训练中随机性的影响，如何解释数据顺序和初始化的差异，以及如何解读训练动态和不同轨迹所特征的相变，使用隐马尔可夫模型对神经网络训练过程进行建模，研究相变和减速收敛的潜在 “绕道” 状态。
- 故障诊断的因果解缠隐藏马尔可夫模型
在现代工业中，故障诊断被广泛应用于实现预测性维护。本文提出了一种因果分离隐马尔可夫模型 (CDHM)，通过学习承载故障机制的因果关系，捕捉其特征以达到更强的表示能力。同时，我们利用时序数据逐步将振动信号分解为与故障相关和无关的因素，并通过重 - BeliefPPG: 利用信念传播机制进行脉搏波形信号心率测量的不确定性感知方法
提出一种采用学习方法的新型心率估计方法，利用隐马尔可夫模型及神经网络对光电脉搏信号分析后得出概率分布，结合信念传播算法对估计结果进行时间上的统计分析。实验证明该方法具有较高的鲁棒性。
- 利用隐马尔可夫模型非参数识别和估计收入动态：来自 PSID 的证据
本文提出了一种隐马尔可夫模型，旨在研究收益持续性的复杂性质。应用该模型于收入动态面板研究数据集，研究发现收益过程表现出非线性持久性、条件偏度和条件峰度，与此同时，短期成分还具有非高斯性质。
- IJCAIpTSE: 一种概率时间序列多模型集成方法
提出一种基于隐马尔可夫模型的概率多模型分布集成方法，名为 pTSE，该方法可显著提高时间序列的鲁棒性和准确性。
- ICLR隐马尔可夫变换器用于同时机器翻译
利用隐马尔科夫模型以及最大化边际似然性训练，提出了一种名为 Hidden Markov Transformer 的模型，用于解决同声机器翻译中好的翻译时间点的挑战。实验表明该模型在多个数据集上优于现有方法并取得了最佳表现。
- 使用条件样本学习隐马尔可夫模型
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。
- 卷积神经网络在奖励塑造中的应用
本文提出了一种用 CNN 进行的潜在基于价值的奖励塑造机制 VIN-RS，该方法基于 Hidden Markov Model 的信息传递机制对 CNN 进行训练，并通过自我学习的卷积过滤器估计环境的转移矩阵，实现了有效的潜在函数的构建。通过