論文の概要: Comparative Analysis of the Hidden Markov Model and LSTM: A Simulative Approach

• arxiv url: http://arxiv.org/abs/2008.03825v1
• Date: Sun, 9 Aug 2020 22:13:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 04:09:14.905738
• Title: Comparative Analysis of the Hidden Markov Model and LSTM: A Simulative Approach
• Title（参考訳）: 隠れマルコフモデルとLSTMの比較分析 : シミュレーション的アプローチ
• Authors: Manie Tadayon, Greg Pottie
• Abstract要約: マルコフ仮説が満たされていない場合でも、隠れマルコフモデルがシーケンスデータを処理する効果的な方法であることを示す。 その結果,大量のラベル付きデータが利用できない場合,教師なしマルコフモデルでさえLSTMより優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series and sequential data have gained significant attention recently since many real-world processes in various domains such as finance, education, biology, and engineering can be modeled as time series. Although many algorithms and methods such as the Kalman filter, hidden Markov model, and long short term memory (LSTM) are proposed to make inferences and predictions for the data, their usage significantly depends on the application, type of the problem, available data, and sufficient accuracy or loss. In this paper, we compare the supervised and unsupervised hidden Markov model to LSTM in terms of the amount of data needed for training, complexity, and forecasting accuracy. Moreover, we propose various techniques to discretize the observations and convert the problem to a discrete hidden Markov model under stationary and non-stationary situations. Our results indicate that even an unsupervised hidden Markov model can outperform LSTM when a massive amount of labeled data is not available. Furthermore, we show that the hidden Markov model can still be an effective method to process the sequence data even when the first-order Markov assumption is not satisfied.
• Abstract（参考訳）: 近年,金融,教育,生物学,工学など,さまざまな分野の現実的なプロセスが時系列としてモデル化できることから,時系列データやシーケンシャルデータが注目されている。 kalmanフィルタ、隠れマルコフモデル、long short term memory (lstm)のような多くのアルゴリズムや手法がデータの推論や予測のために提案されているが、それらの利用はアプリケーション、問題の種類、利用可能なデータ、十分な正確さや損失に大きく依存している。 本稿では,教師付きおよび教師なしマルコフモデルとLSTMを比較し,学習に必要なデータ量,複雑性,予測精度について比較する。 さらに,定常および非定常状況下で,観測を識別し,個別のマルコフモデルに変換する様々な手法を提案する。 その結果,大量のラベル付きデータが利用できない場合,教師なしマルコフモデルでさえLSTMより優れていることがわかった。 さらに,1次マルコフ仮定が満たされていない場合でも,隠れマルコフモデルがシーケンスデータの処理に有効な方法であることを示す。

関連論文リスト

• Dynamical mixture modeling with fast, automatic determination of Markov chains [0.0]
  変動EMは、高価なモデル比較や後続サンプリングなしに、各チェーンのマルコフ連鎖の数と力学を効率的に同定する。 この手法は、$tt Last.fm$音楽聴取、ウルトラマラソン実行、遺伝子発現に基づくシミュレーションおよび観測データセットを含む理論的解析と数値実験によって支持されている。
  論文  参考訳（メタデータ） (2024-06-07T05:43:11Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Context-specific kernel-based hidden Markov model for time series analysis [9.007829035130886]
  カーネル密度推定に基づく隠れマルコフモデルを提案する。 コンテキスト固有のベイズネットワークを使ってカーネルの依存関係をキャプチャできる。 提案モデルによる可能性と分類精度の利点を定量化し分析する。
  論文  参考訳（メタデータ） (2023-01-24T09:10:38Z)
• Learning Hidden Markov Models When the Locations of Missing Observations are Unknown [54.40592050737724]
  本研究では、未知の観測位置を持つデータからHMMを学習する際の一般的な問題について考察する。 我々は、下層の鎖の構造に関する仮定を一切必要としない再構成アルゴリズムを提供する。 適切な仕様の下では、プロセスのダイナミクスを再構築でき、また、見当たらない観測位置が分かっていたとしても、その有効性を示す。
  論文  参考訳（メタデータ） (2022-03-12T22:40:43Z)
• Learning Mixtures of Linear Dynamical Systems [94.49754087817931]
  そこで我々は,2段階のメタアルゴリズムを開発し,各基底構造LPSモデルを誤り$tildeO(sqrtd/T)$.sqrtd/T)まで効率的に復元する。 提案手法の有効性を検証し,数値実験による理論的研究を検証する。
  論文  参考訳（メタデータ） (2022-01-26T22:26:01Z)
• Time Series Anomaly Detection with label-free Model Selection [0.6303112417588329]
  ラベルのない時系列データに対するラベルなしモデル選択を用いた新しい異常検出アルゴリズムであるLaF-ADを提案する。 我々のアルゴリズムは容易に並列化可能であり、不条件データや季節データに対してより堅牢であり、多数の異常モデルに対して非常にスケーラブルである。
  論文  参考訳（メタデータ） (2021-06-11T00:21:06Z)
• Markov Modeling of Time-Series Data using Symbolic Analysis [8.522582405896653]
  離散過程の離散化とメモリ推定のためのさまざまな手法を検討します。 情報理論と統計学習の概念を用いた動的システム理論と順序推定からの分割に関する文献からいくつかの結果を紹介します。
  論文  参考訳（メタデータ） (2021-03-20T20:31:21Z)
• Partially Hidden Markov Chain Linear Autoregressive model: inference and forecasting [0.0]
  体制の変化にともなう時系列は、エコノメトリー、金融、気象学といった領域に多くの関心を集めている。 i) そのような時系列に関連する状態過程は、部分的に隠れたマルコフチェーン(PHMC)によってモデル化される。 本研究では,存在時の観測状態を考慮した隠れ状態推定手法と予測関数を提案する。
  論文  参考訳（メタデータ） (2021-02-24T22:12:05Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Least Squares Regression with Markovian Data: Fundamental Limits and Algorithms [69.45237691598774]
  マルコフ連鎖からデータポイントが依存しサンプリングされる最小二乗線形回帰問題について検討する。 この問題を$tau_mathsfmix$という観点から、鋭い情報理論のミニマックス下限を確立する。 本稿では,経験的リプレイに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-16T04:26:50Z)
• Targeted stochastic gradient Markov chain Monte Carlo for hidden Markov models with rare latent states [48.705095800341944]
  隠れマルコフモデルのためのマルコフ連鎖モンテカルロ (MCMC) アルゴリズムは、しばしば前向きのサンプリング器に依存する。 これにより、時系列の長さが増加するにつれて計算が遅くなり、サブサンプリングベースのアプローチの開発が動機となる。 本稿では,パラメータの勾配を計算する際に,希少な潜伏状態に対応するオーバーサンプリング観測を対象とするサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2018-10-31T17:44:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。