Fugu-MT 論文翻訳(概要): Geometric Learning of Hidden Markov Models via a Method of Moments Algorithm

論文の概要: Geometric Learning of Hidden Markov Models via a Method of Moments Algorithm

arxiv url: http://arxiv.org/abs/2207.00818v1
Date: Sat, 2 Jul 2022 12:24:38 GMT
ステータス: 処理完了
システム内更新日: 2022-07-05 17:03:30.852697
Title: Geometric Learning of Hidden Markov Models via a Method of Moments Algorithm
Title（参考訳）: モーメント法による隠れマルコフモデルの幾何学的学習
Authors: Berlin Chen, Cyrus Mostajeran, Salem Said
Abstract要約: 本稿では,隠れマルコフモデル(HMM)のパラメータを幾何学的に学習するための新しいアルゴリズムを提案する。本稿では,既存の学習者と比較して,学習者の速度と数値的精度が大幅に向上することを示す。
参考スコア（独自算出の注目度）: 11.338112397748619
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a novel algorithm for learning the parameters of hidden Markov models (HMMs) in a geometric setting where the observations take values in Riemannian manifolds. In particular, we elevate a recent second-order method of moments algorithm that incorporates non-consecutive correlations to a more general setting where observations take place in a Riemannian symmetric space of non-positive curvature and the observation likelihoods are Riemannian Gaussians. The resulting algorithm decouples into a Riemannian Gaussian mixture model estimation algorithm followed by a sequence of convex optimization procedures. We demonstrate through examples that the learner can result in significantly improved speed and numerical accuracy compared to existing learners.
Abstract（参考訳）: 本稿では, リーマン多様体の値を取る幾何学的条件下で, 隠れマルコフモデルのパラメータを学習するための新しいアルゴリズムを提案する。特に、非包括的相関を非正の曲率のリーマン対称空間で観測され、観測確率がリーマンガウス的であるようなより一般的な設定に組み込んだ、最近のモーメントアルゴリズムの2階法を高揚する。得られたアルゴリズムは、リーマン混合ガウスモデル推定アルゴリズムに分解され、次に凸最適化手順が続く。本稿では,学習者が既存の学習者と比較して,学習速度と数値精度を大幅に向上できることを示す。

関連論文リスト

Stochastic Gradient Descent for Gaussian Processes Done Right [86.83678041846971]
emphdone right -- 最適化とカーネルコミュニティからの具体的な洞察を使用するという意味で -- が、勾配降下は非常に効果的であることを示している。本稿では,直感的に設計を記述し,設計選択について説明する。本手法は,分子結合親和性予測のための最先端グラフニューラルネットワークと同程度にガウス過程の回帰を配置する。
論文参考訳（メタデータ） (2023-10-31T16:15:13Z)
Posterior Contraction Rates for Mat\'ern Gaussian Processes on Riemannian Manifolds [51.68005047958965]
我々は,本質的なガウス過程が実際により優れた性能を発揮することを示す。我々の研究は、データ効率の異なるレベルを区別するために、よりきめ細かい分析が必要であることを示している。
論文参考訳（メタデータ） (2023-09-19T20:30:58Z)
Riemannian Optimization for Variance Estimation in Linear Mixed Models [0.0]
パラメータ空間の内在的幾何を利用した線形混合モデルにおけるパラメータ推定について、全く新しい見方をとる。提案手法は,既存手法に比べて分散パラメータ推定精度が高い。
論文参考訳（メタデータ） (2022-12-18T13:08:45Z)
The Dynamics of Riemannian Robbins-Monro Algorithms [101.29301565229265]
本稿では,Robins と Monro のセミナル近似フレームワークを一般化し拡張するリーマンアルゴリズムの族を提案する。ユークリッドのそれと比較すると、リーマンのアルゴリズムは多様体上の大域線型構造が欠如しているため、はるかに理解されていない。ユークリッド・ロビンス=モンロスキームの既存の理論を反映し拡張するほぼ確実な収束結果の一般的なテンプレートを提供する。
論文参考訳（メタデータ） (2022-06-14T12:30:11Z)
First-Order Algorithms for Min-Max Optimization in Geodesic Metric Spaces [93.35384756718868]
min-maxアルゴリズムはユークリッド設定で解析されている。指数関数法 (RCEG) が線形速度で最終収束を補正したことを証明した。
論文参考訳（メタデータ） (2022-06-04T18:53:44Z)
A Riemannian Newton Trust-Region Method for Fitting Gaussian Mixture Models [0.0]
ガウス混合モデルのためのリーマン・ヘッシアンの式を紹介します。さらに、実行時とイテレーション数の両方で現在のアプローチを上回る新しいNewton Trust-Regionメソッドを提案します。
論文参考訳（メタデータ） (2021-04-30T12:48:32Z)
Sparse Algorithms for Markovian Gaussian Processes [18.999495374836584]
スパースマルコフ過程は、誘導変数の使用と効率的なカルマンフィルタライク再帰を結合する。我々は,局所ガウス項を用いて非ガウス的確率を近似する一般的なサイトベースアプローチであるsitesを導出する。提案手法は,変動推論,期待伝播,古典非線形カルマンスムーサなど,機械学習と信号処理の両方から得られるアルゴリズムの新たなスパース拡張の一群を導出する。派生した方法は、モデルが時間と空間の両方で別々の誘導点を持つ文学時間データに適しています。
論文参考訳（メタデータ） (2021-03-19T09:50:53Z)
Disentangling the Gauss-Newton Method and Approximate Inference for Neural Networks [96.87076679064499]
我々は一般化されたガウスニュートンを解き、ベイズ深層学習の近似推論を行う。ガウス・ニュートン法は基礎となる確率モデルを大幅に単純化する。ガウス過程への接続は、新しい関数空間推論アルゴリズムを可能にする。
論文参考訳（メタデータ） (2020-07-21T17:42:58Z)
Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文参考訳（メタデータ） (2020-02-21T17:45:32Z)
Statistical Outlier Identification in Multi-robot Visual SLAM using Expectation Maximization [18.259478519717426]
本稿では、同時局所化およびマッピング(SLAM)におけるマップ間ループ閉包外乱検出のための、新しい分散手法を提案する。提案アルゴリズムは優れた初期化に頼らず、一度に2つ以上のマップを処理できる。
論文参考訳（メタデータ） (2020-02-07T06:34:44Z)
Sparse Orthogonal Variational Inference for Gaussian Processes [34.476453597078894]
誘導点を用いたガウス過程に対するスパース変分近似の新しい解釈を導入する。この定式化は既存の近似を復元し、同時に限界確率と新しい変分推論アルゴリズムのより厳密な下界を得ることができることを示す。
論文参考訳（メタデータ） (2019-10-23T15:01:28Z)

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。