論文の概要: Forward-Backward Latent State Inference for Hidden Continuous-Time
semi-Markov Chains
- arxiv url: http://arxiv.org/abs/2210.09058v1
- Date: Mon, 17 Oct 2022 13:01:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 17:05:06.703556
- Title: Forward-Backward Latent State Inference for Hidden Continuous-Time
semi-Markov Chains
- Title(参考訳): 隠れた連続時間半マルコフ連鎖に対する前方後進状態推論
- Authors: Nicolai Engelmann, Heinz Koeppl
- Abstract要約: HSMMで使用される非サンプリング型潜時状態推論は、潜時半マルコフ連鎖(CTSMC)に一般化可能であることを示す。
我々は、観測確率に調整された積分微分前方方程式と後方方程式を定式化し、ベイズ後縁辺の正確な積分方程式を導入する。
我々は,従来のHSMMと比較して,潜在状態推論のシナリオにおけるアプローチを評価する。
- 参考スコア(独自算出の注目度): 28.275654187024376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hidden semi-Markov Models (HSMM's) - while broadly in use - are restricted to
a discrete and uniform time grid. They are thus not well suited to explain
often irregularly spaced discrete event data from continuous-time phenomena. We
show that non-sampling-based latent state inference used in HSMM's can be
generalized to latent Continuous-Time semi-Markov Chains (CTSMC's). We
formulate integro-differential forward and backward equations adjusted to the
observation likelihood and introduce an exact integral equation for the
Bayesian posterior marginals and a scalable Viterbi-type algorithm for
posterior path estimates. The presented equations can be efficiently solved
using well-known numerical methods. As a practical tool, variable-step HSMM's
are introduced. We evaluate our approaches in latent state inference scenarios
in comparison to classical HSMM's.
- Abstract(参考訳): 隠れ半マルコフモデル(hsmm)は広く使われているが、離散的かつ均一な時間グリッドに制限されている。
したがって、連続時間現象からしばしば不規則に空間化された離散事象データを説明するのに適していない。
HSMMで使用される非サンプリング型潜時状態推論は、潜時半マルコフ連鎖(CTSMC)に一般化可能であることを示す。
観測可能性に応じた積分微分前方および後方の方程式を定式化し,ベイズ後縁の精密積分式と後方経路推定のためのスケーラブルなビタビ型アルゴリズムを導入する。
提案方程式はよく知られた数値法を用いて効率的に解ける。
実用ツールとして可変ステップHSMMを導入する。
我々は,従来のHSMMと比較して,潜在状態推定シナリオにおけるアプローチを評価する。
関連論文リスト
- Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - 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) - Estimating Latent Population Flows from Aggregated Data via Inversing
Multi-Marginal Optimal Transport [57.16851632525864]
累積カウントデータから潜在人口フローを推定する問題について検討する。
この問題は、プライバシーの問題や測定の不確実性のために個々の軌道が利用できない場合に発生する。
我々はMOTフレームワークのコスト関数を学習し,集約データからの遷移フローを推定する。
論文 参考訳(メタデータ) (2022-12-30T03:03:23Z) - Langevin Monte Carlo for Contextual Bandits [72.00524614312002]
Langevin Monte Carlo Thompson Sampling (LMC-TS) が提案されている。
提案アルゴリズムは,文脈的帯域幅の特別な場合において,最高のトンプソンサンプリングアルゴリズムと同じサブ線形残差を達成できることを示す。
論文 参考訳(メタデータ) (2022-06-22T17:58:23Z) - Markov Chain Monte Carlo for Continuous-Time Switching Dynamical Systems [26.744964200606784]
マルコフ連鎖モンテカルロ法による新しい推論アルゴリズムを提案する。
提示されたギブスサンプルは、正確な連続時間後処理から試料を効率的に得ることができる。
論文 参考訳(メタデータ) (2022-05-18T09:03:00Z) - 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) - Online Time Series Anomaly Detection with State Space Gaussian Processes [12.483273106706623]
R-ssGPFAは、一様および多変量時系列の教師なしオンライン異常検出モデルである。
高次元時系列に対して、時系列の一般的な潜伏過程を特定するためにガウス過程因子解析の拡張を提案する。
異常観測時にカルマン更新をスキップすることで,モデルの堅牢性を向上させる。
論文 参考訳(メタデータ) (2022-01-18T06:43:32Z) - The Connection between Discrete- and Continuous-Time Descriptions of
Gaussian Continuous Processes [60.35125735474386]
我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。
この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
論文 参考訳(メタデータ) (2021-01-16T17:11:02Z) - Filtering for Aggregate Hidden Markov Models with Continuous
Observations [13.467017642143581]
我々は、各個体が同じ隠れマルコフモデル(HMM)によってモデル化される大集団に対するフィルタリング問題の一類を考察する。
本稿では,連続観測集合フォワードバックワードアルゴリズムと呼ばれる集合推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-11-04T20:05:36Z) - Scalable Hybrid HMM with Gaussian Process Emission for Sequential
Time-series Data Clustering [13.845932997326571]
隠れマルコフモデル(HMM)とガウス過程(GP)のエミッションを組み合わせることで、隠れた状態を効率的に推定することができる。
本稿では,HMM-GPSMのためのスケーラブルな学習法を提案する。
論文 参考訳(メタデータ) (2020-01-07T07:28:21Z)
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。