論文の概要: Marginalized Beam Search Algorithms for Hierarchical HMMs

• arxiv url: http://arxiv.org/abs/2305.11752v1
• Date: Fri, 19 May 2023 15:39:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-22 13:49:02.379613
• Title: Marginalized Beam Search Algorithms for Hierarchical HMMs
• Title（参考訳）: 階層型HMMのためのMarginalized Beam Searchアルゴリズム
• Authors: Xuechun Xu, Joakim Jald\'en
• Abstract要約: 測定列から状態列を推定することは、生体情報学と自然言語処理の基本的な問題である。 本稿では,これらの制限を克服する2つの新しいアルゴリズムを提案する。 ビタビアルゴリズムよりも高い性能で、最も可能性の高い外部状態列を近似することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Inferring a state sequence from a sequence of measurements is a fundamental problem in bioinformatics and natural language processing. The Viterbi and the Beam Search (BS) algorithms are popular inference methods, but they have limitations when applied to Hierarchical Hidden Markov Models (HHMMs), where the interest lies in the outer state sequence. The Viterbi algorithm can not infer outer states without inner states, while the BS algorithm requires marginalization over prohibitively large state spaces. We propose two new algorithms to overcome these limitations: the greedy marginalized BS algorithm and the local focus BS algorithm. We show that they approximate the most likely outer state sequence with higher performance than the Viterbi algorithm, and we evaluate the performance of these algorithms on an explicit duration HMM with simulation and nanopore base calling data.
• Abstract（参考訳）: 一連の測定から状態シーケンスを推測することは、バイオインフォマティクスや自然言語処理において根本的な問題である。 ビタビとビームサーチ(BS)アルゴリズムは一般的な推論法であるが、関心が外状態列にある階層型隠れマルコフモデル(HHMM)に適用する場合に制限がある。 ビタビアルゴリズムは内部状態なしでは外的状態を推定できないが、bsアルゴリズムは制限的に大きい状態空間上の限界化を必要とする。 これらの限界を克服する2つの新しいアルゴリズムを提案する: グリーディ辺縁化bsアルゴリズムと局所焦点bsアルゴリズムである。 その結果,viterbiアルゴリズムよりも高い性能で最も可能性の高い外部状態列を近似し,シミュレーションとナノホールベース呼び出しデータを用いて,これらのアルゴリズムの性能を明示的な持続時間hmmで評価した。

関連論文リスト

• Indexed Minimum Empirical Divergence-Based Algorithms for Linear Bandits [55.938644481736446]
  Indexed Minimum Empirical Divergence (IMED)は、マルチアームバンディット問題に対する非常に効果的なアプローチである。 UCBベースのアルゴリズムとトンプソンサンプリングを実証的に上回ることが観察されている。 我々は、LinIMEDアルゴリズムのファミリーと呼ぶIMEDアルゴリズムの新しい線形バージョンを提案する。
  論文  参考訳（メタデータ） (2024-05-24T04:11:58Z)
• Algorithm for evaluating distance-based entanglement measures [0.0]
  本稿では,距離に基づく絡み合い評価のための効率的なアルゴリズムを提案する。 我々のアプローチは、与えられた任意の状態の絡み合いに信頼性の高い上限を与える、凸最適化のためのギルバートのアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2023-08-04T13:42:55Z)
• The Adversary Bound Revisited: From Optimal Query Algorithms to Optimal Control [0.0]
  このノートは"One-Way Ticket to Las Vegas and the Quantum Adversary"という論文を補完している。 私は、Barnum-Saks-Szegedyと同じ視点で、逆境界-普遍アルゴリズムの双対性を異なる形で開発する。
  論文  参考訳（メタデータ） (2022-11-29T15:25:45Z)
• Quantum algorithms for anomaly detection using amplitude estimation [5.20363732303968]
  密度推定に基づく異常検出アルゴリズム(ADDEアルゴリズム)は広く使われているアルゴリズムの1つである。 本稿では振幅推定に基づく新しい量子ADDEアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-28T15:47:56Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Low-Complexity Algorithm for Restless Bandits with Imperfect Observations [1.4542411354617986]
  我々は、強化学習と最適化において幅広い応用分野を見出す、レスレス・バンディット問題の一類を考察する。 我々は,観測誤差を伴う一般的なレスト・バンディット・モデルに容易に適用可能な,高い性能を実現する低複雑性アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-08-09T05:01:19Z)
• A proximal-proximal majorization-minimization algorithm for nonconvex tuning-free robust regression problems [4.261680642170457]
  非回帰問題に対する PMM (proximal-proximal majorization-minimization) アルゴリズムを提案する。 提案アルゴリズムは既存の最先端アルゴリズムよりも優れている。
  論文  参考訳（メタデータ） (2021-06-25T15:07:13Z)
• Community detection using fast low-cardinality semidefinite programming [94.4878715085334]
  局所的な更新を一般化し、ライデン-k-カットから導かれる半定緩和を最大化する、新しい低カルチナリティアルゴリズムを提案する。 提案アルゴリズムはスケーラビリティが高く,最先端のアルゴリズムより優れ,実時間では性能が向上し,追加コストがほとんどない。
  論文  参考訳（メタデータ） (2020-12-04T15:46:30Z)
• An Asymptotically Optimal Primal-Dual Incremental Algorithm for Contextual Linear Bandits [129.1029690825929]
  複数の次元に沿った最先端技術を改善する新しいアルゴリズムを提案する。 非文脈線形帯域の特別な場合において、学習地平線に対して最小限の最適性を確立する。
  論文  参考訳（メタデータ） (2020-10-23T09:12:47Z)
• Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
  離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。 この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。 古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-01T18:43:32Z)
• Lagrangian Decomposition for Neural Network Verification [148.0448557991349]
  ニューラルネットワーク検証の基本的なコンポーネントは、出力が取ることのできる値のバウンダリの計算である。 ラグランジアン分解に基づく新しい手法を提案する。 ランニングタイムのごく一部で、既成の解法に匹敵するバウンダリが得られることを示す。
  論文  参考訳（メタデータ） (2020-02-24T17:55:10Z)

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。