論文の概要: A New Algorithm for Hidden Markov Models Learning Problem
- arxiv url: http://arxiv.org/abs/2102.07112v1
- Date: Sun, 14 Feb 2021 09:33:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 20:24:16.912805
- Title: A New Algorithm for Hidden Markov Models Learning Problem
- Title(参考訳): 隠れマルコフモデル学習問題に対する新しいアルゴリズム
- Authors: Taha Mansouri, Mohamadreza Sadeghimoghadam, Iman Ghasemian Sahebi
- Abstract要約: 本研究は隠れマルコフモデル(HMM)の学習アルゴリズムとアプローチに焦点を当てる。
HMMは、モデル化されているシステムがマルコフ過程であると仮定される統計マルコフモデルである。
HMMの本質的な特徴の1つは、学習能力です。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This research focuses on the algorithms and approaches for learning Hidden
Markov Models (HMMs) and compares HMM learning methods and algorithms. HMM is a
statistical Markov model in which the system being modeled is assumed to be a
Markov process. One of the essential characteristics of HMMs is their learning
capabilities. Learning algorithms are introduced to overcome this
inconvenience. One of the main problems of the newly proposed algorithms is
their validation. This research aims by using the theoretical and experimental
analysis to 1) compare HMMs learning algorithms proposed in the literature, 2)
provide a validation tool for new HMM learning algorithms, and 3) present a new
algorithm called Asexual Reproduction Optimization (ARO) with one of its
extensions - Modified ARO (MARO) - as a novel HMM learning algorithm to use the
validation tool proposed. According to the literature findings, it seems that
populationbased algorithms perform better among HMMs learning approaches than
other algorithms. Also, the testing was done in nine benchmark datasets. The
results show that MARO outperforms different algorithms in objective functions
in terms of accuracy and robustness.
- Abstract(参考訳): 本研究では,隠れマルコフモデル(HMM)の学習アルゴリズムとアプローチに着目し,HMM学習手法とアルゴリズムを比較した。
HMMは、モデル化されているシステムがマルコフ過程であると仮定される統計マルコフモデルである。
HMMの本質的な特徴の1つは、学習能力です。
この不便を克服するために学習アルゴリズムが導入された。
新しく提案されたアルゴリズムの主な問題の1つは、検証である。
本研究では,(1)文献で提案されたHMM学習アルゴリズムの比較,2)新しいHMM学習アルゴリズムの検証ツールの提供,3)その拡張のひとつであるModified ARO(Modified ARO)を用いたARO(A sexual Reproduction Optimization)と呼ばれる新しいアルゴリズムを,提案された検証ツールを使用するための新しいHMM学習アルゴリズムとして提示することを目的とした。
文献的知見によると、人口ベースのアルゴリズムは他のアルゴリズムよりもhmms学習手法の方が優れているようである。
また、テストは9つのベンチマークデータセットで行われた。
その結果,MAROは,精度とロバスト性の観点から,目的関数の異なるアルゴリズムよりも優れていた。
関連論文リスト
- An Efficient 1 Iteration Learning Algorithm for Gaussian Mixture Model
And Gaussian Mixture Embedding For Neural Network [2.261786383673667]
新しいアルゴリズムは、古典的な期待最大化(EM)アルゴリズムよりも頑丈さと単純さをもたらす。
また、精度も向上し、学習に1回しかかからない。
論文 参考訳(メタデータ) (2023-08-18T10:17:59Z) - Improving Sample Efficiency of Model-Free Algorithms for Zero-Sum Markov Games [66.2085181793014]
モデルフリーのステージベースQ-ラーニングアルゴリズムはモデルベースアルゴリズムと同じ$H$依存の最適性を享受できることを示す。
本アルゴリズムは,楽観的値関数と悲観的値関数のペアとして参照値関数を更新するキーとなる新しい設計を特徴とする。
論文 参考訳(メタデータ) (2023-08-17T08:34:58Z) - Learning Hidden Markov Models Using Conditional Samples [72.20944611510198]
本稿では,隠れマルコフモデル(HMM)の学習における計算複雑性について述べる。
本稿では,HMMの条件分布からサンプルを問合せする対話型アクセスモデルを提案する。
具体的には、正確な条件付き確率に対するクエリアクセスが可能な設定において、HMMを学習するための効率的なアルゴリズムを得る。
論文 参考訳(メタデータ) (2023-02-28T16:53:41Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Algorithms that Approximate Data Removal: New Results and Limitations [2.6905021039717987]
本研究では,経験的リスク最小化を用いて学習した機械学習モデルからユーザデータを削除することの問題点について検討する。
計算とメモリ効率を両立させるオンラインアンラーニングアルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-09-25T17:20:33Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳(メタデータ) (2022-06-16T11:44:11Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳(メタデータ) (2021-01-08T18:55:07Z) - Towards Understanding the Behaviors of Optimal Deep Active Learning
Algorithms [19.65665942630067]
アクティブラーニング(AL)アルゴリズムは、モデルがデータ選択プロセスを導くため、より少ないデータでより良いパフォーマンスを達成できます。
alの最適形状についてはほとんど研究されていないため、研究者たちはモデルがどこが不足しているかを理解するのに役立つだろう。
我々は,この最適オラクルを探索し,いくつかのタスクで解析するシミュレーションアニーリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-29T22:56:42Z) - A Systematic Characterization of Sampling Algorithms for Open-ended
Language Generation [71.31905141672529]
本稿では,自己回帰型言語モデルに広く採用されている祖先サンプリングアルゴリズムについて検討する。
エントロピー低減, 秩序保存, 斜面保全の3つの重要な特性を同定した。
これらの特性を満たすサンプリングアルゴリズムのセットが,既存のサンプリングアルゴリズムと同等に動作することがわかった。
論文 参考訳(メタデータ) (2020-09-15T17:28:42Z) - A Hybrid PAC Reinforcement Learning Algorithm [5.279475826661642]
本稿では,マルコフ決定過程(MDPs)に対するほぼ正のPAC強化学習(RL)アルゴリズムを提案する。
設計アルゴリズムはDyna-Delayed Q-learning(DDQ)アルゴリズムと呼ばれ、モデルフリーとモデルベースラーニングのアプローチを組み合わせており、どちらの場合も性能が優れている。
論文 参考訳(メタデータ) (2020-09-05T21:32:42Z)
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。