論文の概要: Probabilistic Systems with Hidden State and Unobservable Transitions
- arxiv url: http://arxiv.org/abs/2205.13871v1
- Date: Fri, 27 May 2022 10:06:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 01:39:43.704689
- Title: Probabilistic Systems with Hidden State and Unobservable Transitions
- Title（参考訳）: 隠れ状態と観測不能遷移を持つ確率システム
- Authors: Rebecca Bernemann, Barbara K\"onig, Matthias Schaffeld, Torben Weis
- Abstract要約: 隠れ状態と観測不可能な遷移を持つ確率的システムを考える。
観測結果から最も可能性の高い説明を決定するアルゴリズムを提案する。
また,観測結果に基づいて,与えられたモデルの確率を適応させるパラメータ学習手法を提案する。
- 参考スコア（独自算出の注目度）: 5.124254186899053
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We consider probabilistic systems with hidden state and unobservable
transitions, an extension of Hidden Markov Models (HMMs) that in particular
admits unobservable {\epsilon}-transitions (also called null transitions),
allowing state changes of which the observer is unaware. Due to the presence of
{\epsilon}-loops this additional feature complicates the theory and requires to
carefully set up the corresponding probability space and random variables. In
particular we present an algorithm for determining the most probable
explanation given an observation (a generalization of the Viterbi algorithm for
HMMs) and a method for parameter learning that adapts the probabilities of a
given model based on an observation (a generalization of the Baum-Welch
algorithm). The latter algorithm guarantees that the given observation has a
higher (or equal) probability after adjustment of the parameters and its
correctness can be derived directly from the so-called EM algorithm.
- Abstract（参考訳）: 我々は、隠れ状態と観測不可能な遷移を持つ確率的系を、特に観測者が認識できない状態変化を許容する観測不可能な可観測的遷移(英語版)(unobservable {\epsilon}-transitions)を許容する隠れマルコフモデル(HMM)の拡張とみなす。
エプシロンループの存在により、この追加機能は理論を複雑化し、対応する確率空間と確率変数を慎重に設定する必要がある。
特に、観測(hmmに対するビタビアルゴリズムの一般化)によって与えられた最も可能性の高い説明を決定するアルゴリズムと、観測(ボーム・ウェルチアルゴリズムの一般化)に基づいて与えられたモデルの確率に適応するパラメータ学習方法を提案する。
後者のアルゴリズムは、与えられた観測値がパラメータの調整後に高い(または等しい)確率を持つことを保証し、その正確性はいわゆるemアルゴリズムから直接導出することができる。
関連論文リスト
- Learning Algorithms for Verification of Markov Decision Processes [20.5951492453299]
マルコフ決定過程(MDP)の検証に学習アルゴリズムを適用するための一般的な枠組みを提案する。
提案するフレームワークは,検証における中核的な問題である確率的到達性に重点を置いている。
論文 参考訳（メタデータ） (2024-03-14T08:54:19Z) - Probability vector representation of the Schrödinger equation and Leggett-Garg-type experiments [0.0]
レゲット=ガーグの不等式は、マクロ的リアリズムの原理に基づくシステムの時間的相関に縛られる。
そこで本研究では,Schr"odinger方程式の確率ベクトル表現を用いて,一般的な$N$レベルの量子系の力学を記述する手法を提案する。
また,非可換オブザーバブルの確率分布について,NSIT(No-signaling in Time)という正確な概念を定義した。
論文 参考訳（メタデータ） (2023-12-26T19:00:00Z) - Quick Adaptive Ternary Segmentation: An Efficient Decoding Procedure For
Hidden Markov Models [70.26374282390401]
ノイズの多い観測から元の信号(すなわち隠れ鎖)を復号することは、ほぼすべてのHMMに基づくデータ分析の主要な目標の1つである。
本稿では,多対数計算複雑性において隠れた列を復号化するための分法であるQuick Adaptive Ternary(QATS)を提案する。
論文 参考訳（メタデータ） (2023-05-29T19:37:48Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Markov Observation Models [0.0]
隠れマルコフモデルが拡張され、マルコフ連鎖の観測が可能となった。
この観測は、隠れマルコフ鎖に依存する一段階の遷移確率を持つマルコフ連鎖であると仮定される。
隠れ状態と観測の両方の遷移確率を推定するために,期待最大化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-08-12T16:53:07Z) - Computationally Efficient PAC RL in POMDPs with Latent Determinism and
Conditional Embeddings [97.12538243736705]
大規模部分観測可能決定プロセス(POMDP)の関数近似を用いた強化学習に関する研究
我々のアルゴリズムは、大規模POMDPに確実にスケールする。
論文 参考訳（メタデータ） (2022-06-24T05:13:35Z) - Scalable Stochastic Parametric Verification with Stochastic Variational
Smoothed Model Checking [1.5293427903448025]
平滑モデル検査 (smMC) は, パラメータ空間全体の満足度関数を, 限られた観測値から推定することを目的としている。
本稿では,確率論的機械学習の最近の進歩を利用して,この限界を推し進める。
構成された満足度関数のスケーラビリティ,計算効率,精度を調べた結果,smMCとSV-smMCの性能を比較した。
論文 参考訳（メタデータ） (2022-05-11T10:43:23Z) - 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) - Identification and Adaptation with Binary-Valued Observations under
Non-Persistent Excitation Condition [1.6897716547971817]
2値観測による回帰モデルのパラメータ推定のためのオンライン予測準ニュートン型アルゴリズムを提案する。
推定アルゴリズムの強い整合性を確立し,収束率を与える。
適応予測器の収束と適応制御への応用についても論じる。
論文 参考訳（メタデータ） (2021-07-08T03:57:50Z) - Sinkhorn Natural Gradient for Generative Models [125.89871274202439]
本研究では,シンクホーンの発散による確率空間上の最も急降下法として機能するシンクホーン自然勾配(SiNG)アルゴリズムを提案する。
本稿では,SiNG の主要成分であるシンクホーン情報行列 (SIM) が明示的な表現を持ち,対数的スケールの複雑さを正確に評価できることを示す。
本実験では,SiNGと最先端のSGD型解法を定量的に比較し,その有効性と有効性を示す。
論文 参考訳（メタデータ） (2020-11-09T02:51:17Z) - Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。
我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。
まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
論文 参考訳（メタデータ） (2020-08-19T16:04:34Z)
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。