Fugu-MT 論文翻訳(概要): Fundamental limits for learning hidden Markov model parameters

論文の概要: Fundamental limits for learning hidden Markov model parameters

arxiv url: http://arxiv.org/abs/2106.12936v1
Date: Thu, 24 Jun 2021 12:02:33 GMT
ステータス: 処理完了
システム内更新日: 2021-06-25 23:05:26.184947
Title: Fundamental limits for learning hidden Markov model parameters
Title（参考訳）: 隠れマルコフモデルパラメータの学習の基本的限界
Authors: Kweku Abraham, Zacharie Naulet, Elisabeth Gassiat
Abstract要約: 学習可能なマルコフモデル(HMM)と学習不可能な隠れマルコフモデル(HMM)のフロンティアについて検討する。 HMMは、未知の集団から来る依存データをクラスタリングするための柔軟なツールである。
参考スコア（独自算出の注目度）: 2.66418345185993
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study the frontier between learnable and unlearnable hidden Markov models (HMMs). HMMs are flexible tools for clustering dependent data coming from unknown populations. The model parameters are known to be identifiable as soon as the clusters are distinct and the hidden chain is ergodic with a full rank transition matrix. In the limit as any one of these conditions fails, it becomes impossible to identify parameters. For a chain with two hidden states we prove nonasymptotic minimax upper and lower bounds, matching up to constants, which exhibit thresholds at which the parameters become learnable.
Abstract（参考訳）: 我々は学習可能な隠れマルコフモデル(hmms)のフロンティアについて検討する。 HMMは未知の集団から来る依存データをクラスタリングするための柔軟なツールである。モデルパラメータは、クラスタが識別され、隠された鎖がフルランク遷移行列でエルゴードとなるとすぐに特定できることが知られている。これらの条件のいずれかが失敗すると、パラメータを識別することは不可能になる。 2つの隠れ状態を持つ鎖に対して、パラメータが学習可能なしきい値を示す定数に一致する非漸近ミニマックス上界と下界を証明します。

関連論文リスト

Learning nonparametric latent causal graphs with unknown interventions [18.6470340274888]
潜在因果グラフが非パラメトリック同定可能な条件を確立する。隠れ変数の数は分かっていないと仮定し、隠された変数に対して少なくとも1つの未知の介入が必要であることを示す。
論文参考訳（メタデータ） (2023-06-05T14:06:35Z)
Convergence of uncertainty estimates in Ensemble and Bayesian sparse model discovery [4.446017969073817]
ブートストラップに基づく逐次しきい値最小二乗推定器による雑音に対する精度と頑健性の観点から経験的成功を示す。このブートストラップに基づくアンサンブル手法は,誤差率の指数収束率で,確率的に正しい可変選択を行うことができることを示す。
論文参考訳（メタデータ） (2023-01-30T04:07:59Z)
Community Detection with Known, Unknown, or Partially Known Auxiliary Latent Variables [21.35141858359507]
実際には、コミュニティメンバシップは、観測グラフのエッジ間の依存性を完全に説明していません。補助潜在変数を持つブロックモデルと検閲ブロックモデルに従うグラフについて検討する。半定値プログラミングにより、各最大精度の正確な回復しきい値まで、正確なリカバリが可能であることを示す。
論文参考訳（メタデータ） (2023-01-08T21:09:03Z)
Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文参考訳（メタデータ） (2022-11-21T18:47:11Z)
GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
論文参考訳（メタデータ） (2022-07-05T04:04:37Z)
Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-06-23T09:35:03Z)
Semi-Supervised Clustering of Sparse Graphs: Crossing the Information-Theoretic Threshold [3.6052935394000234]
ブロックモデルは、ネットワーク構造データのクラスタリングとコミュニティ検出のための標準ランダムグラフモデルである。ネットワークトポロジに基づく推定器は、モデルパラメータが一定の閾値以下である場合、スパースグラフの確率よりも大幅に向上する。パラメータ領域全体でラベルの任意の部分で実現可能であることを示す。
論文参考訳（メタデータ） (2022-05-24T00:03:25Z)
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)
BERTifying the Hidden Markov Model for Multi-Source Weakly Supervised Named Entity Recognition [57.2201011783393]
条件付き隠れマルコフモデル(CHMM) CHMMは、入力トークンのBERT埋め込みからトークン単位の遷移と放出確率を予測する。 BERTベースのNERモデルを微調整し、ラベルをCHMMで推論する。
論文参考訳（メタデータ） (2021-05-26T21:18:48Z)
A class of network models recoverable by spectral clustering [11.635152494912003]
ブロックモデル (sbm) で使用されるアルゴリズムがブロックモデルのより広いクラスで動作することを示す。このモデルのクラスを指定するのに必要な自由なパラメータを明確に紹介し、その結果、このモデルクラスのリカバリエラーを制御するパラメータをより明確に公開します。
論文参考訳（メタデータ） (2021-04-21T04:22:18Z)
Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
論文参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。