論文の概要: A Predictive View on Streaming Hidden Markov Models

• arxiv url: http://arxiv.org/abs/2604.09208v1
• Date: Fri, 10 Apr 2026 10:51:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.828984
• Title: A Predictive View on Streaming Hidden Markov Models
• Title（参考訳）: 隠れマルコフモデルによるストリーミング予測
• Authors: Gerardo Duran-Martin,
• Abstract要約: 隠れマルコフモデルをストリーミングするための予測ファースト最適化フレームワークを開発した。 我々の目的は、正確なステップアヘッド予測分布を維持しながら、潜伏状態の逐次同定を行うことである。
• 参考スコア（独自算出の注目度）: 0.8122270502556375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a predictive-first optimisation framework for streaming hidden Markov models. Unlike classical approaches that prioritise full posterior recovery under a fully specified generative model, we assume access to regime-specific predictive models whose parameters are learned online while maintaining a fixed transition prior over regimes. Our objective is to sequentially identify latent regimes while maintaining accurate step-ahead predictive distributions. Because the number of possible regime paths grows exponentially, exact filtering is infeasible. We therefore formulate streaming inference as a constrained projection problem in predictive-distribution space: under a fixed hypothesis budget, we approximate the full posterior predictive by the forward-KL optimal mixture supported on $S$ paths. The solution is the renormalised top-$S$ posterior-weighted mixture, providing a principled derivation of beam search for HMMs. The resulting algorithm is fully recursive and deterministic, performing beam-style truncation with closed-form predictive updates and requiring neither EM nor sampling. Empirical comparisons against Online EM and Sequential Monte Carlo under matched computational budgets demonstrate competitive prequential performance.
• Abstract（参考訳）: 隠れマルコフモデルをストリーミングするための予測ファースト最適化フレームワークを開発した。 完全に特定された生成モデルの下で完全な後部回復を優先する古典的なアプローチとは異なり、パラメータがオンラインで学習され、政権よりも前の固定的な遷移を維持しながら、制度固有の予測モデルにアクセスできると仮定する。 我々の目的は、正確なステップアヘッド予測分布を維持しながら、潜伏状態の逐次同定を行うことである。 考えられるレギュレーションパスの数は指数関数的に増加するので、正確なフィルタリングは不可能である。 そこで我々は,予測分布空間における制約予測問題としてストリーミング推論を定式化し,固定された仮説予算の下では,$S$パスでサポートされたフォワード-KL最適混合により,完全な後部予測を近似する。 この解は、HMMのビームサーチの原理的な導出を提供する、再正規化された上位$S$後方重み付き混合である。 得られたアルゴリズムは完全に再帰的で決定論的であり、ビームスタイルのトランケーションをクローズドフォームの予測更新で実行し、EMもサンプリングも必要としない。 一致した計算予算下でのオンラインEMとシークエンシャルモンテカルロとの実証的な比較は、競合する先行性能を示している。

関連論文リスト

• Robust and Consistent Ski Rental with Distributional Advice [13.811651343801579]
  スキーレンタル問題は不確実性の下でのオンライン意思決定の標準モデルである。 本稿では,未知品質の分布的アドバイスを決定論的アルゴリズムとランダム化アルゴリズムの両方に統合するフレームワークを提案する。 我々のフレームワークは、既存の点予測ベースラインよりも一貫性を著しく向上し、かつ、同等の堅牢性を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-31T04:04:21Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• Backpropagation-Free Metropolis-Adjusted Langevin Algorithm [13.032984331926158]
  タンジェントベクトルのサンプリングをメトロポリス調整ランゲヴィンアルゴリズム(MALA)の提案機構に組み込む方法を示す。 バックプロパゲーションフリーな勾配に基づくマルコフ連鎖モンテカルロアルゴリズムを最初に導入する。 提案するアルゴリズムは,フォワードMALA,ラインフォワードMALA,プリコンディションMALA,ラインフォワードMALAの4種類である。
  論文  参考訳（メタデータ） (2025-05-23T16:39:21Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Conformal online model aggregation [36.191356601153146]
  コンフォーマル予測は、強い分布仮定を行うことなく、不確実性定量化の合理的な概念を機械学習モデルに装備する。 本稿では,複数の共形予測セットを取り込み,適応的に組み合わされた1つの予測セットを出力するラッパーを提案する。 共形オンラインモデルアグリゲーション (COMA) と呼ばれる本手法は, 重み付け投票による複数のアルゴリズムからの予測セットの組み合わせに基づいている。
  論文  参考訳（メタデータ） (2024-03-22T15:40:06Z)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)

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。