論文の概要: libhmm: A Modern C++20 Library for Hidden Markov Models with Correct MLE Emission M-Steps

• arxiv url: http://arxiv.org/abs/2605.29208v1
• Date: Thu, 28 May 2026 00:42:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.57312
• Title: libhmm: A Modern C++20 Library for Hidden Markov Models with Correct MLE Emission M-Steps
• Title（参考訳）: libhmm: 正しいMLEエミッションMステップを持つ隠れマルコフモデルのための最新のC++20ライブラリ
• Authors: Gary Wolfman,
• Abstract要約: libhmmはモデルパラメータ推定、シーケンスデコーディング、モデル選択のためのC++20ライブラリである。 既存のソフトウェアの2つのギャップに対処する: プロダクションシステムに組み込むのに適した、よく保守された、ゼロ依存のC++ HMMライブラリがない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We describe libhmm, a C++20 library for Hidden Markov Model parameter estimation, sequence decoding, and model selection. libhmm addresses two gaps in existing software: the absence of a well-maintained, zero-dependency C++ HMM library suitable for embedding in production systems, and the widespread use of method-of-moments (MOM) approximations in the emission distribution M-step of the Baum-Welch algorithm. The library implements correct maximum likelihood estimators for sixteen continuous and discrete emission distributions, including an ECME algorithm for the location-scale Student-t distribution, Newton-Raphson maximization for Gamma, Beta, Weibull, and Negative Binomial distributions, and the von Mises distribution for circular data. All forward-backward and Viterbi calculations operate in full log-space. SIMD acceleration is provided for AVX-512, AVX2, SSE2, and ARM NEON via compile-time dispatch with scalar fallback. Python bindings are available via the companion package pylibhmm. We compare libhmm against established C and C++ HMM libraries and against published R reference packages on five real-data benchmarks, and discuss the architectural tradeoffs made in the design.
• Abstract（参考訳）: 本稿では,隠れマルコフモデルパラメータ推定,シーケンスデコーディング,モデル選択のためのC++20ライブラリlibhmmについて述べる。 libhmmは、本番システムに組み込むのに適した、よく保守された、ゼロ依存のC++ HMMライブラリの欠如と、Baum-Welchアルゴリズムのエミッション分布Mステップにおけるメソッド・オブ・モーメント(MOM)近似の広範な使用という、既存のソフトウェアにおける2つのギャップに対処する。 このライブラリは、16の連続的および離散的な放出分布に対する正しい最大推定器を実装しており、その中には、位置スケールの学生分布のためのECMEアルゴリズム、ガンマ、ベータ、ワイブル、負二項分布に対するニュートン・ラフソンの最大化、円形データに対するフォン・ミゼス分布を含む。 すべてのフォワードバックとビタビ計算は完全なログ空間で動作する。 AVX-512、AVX2、SSE2、ARM NEONのSIMDアクセラレーションは、スカラーフォールバックを備えたコンパイル時ディスパッチによって提供される。 Pythonバインディングは、pylibhmmパッケージを通じて利用できる。 libhmmを既存のCおよびC++ HMMライブラリと比較し、5つの実データベンチマークで公開されたR参照パッケージと比較し、設計におけるアーキテクチャ上のトレードオフについて議論する。

関連論文リスト

• Stdlib or Third-Party? Empirical Performance and Correctness of LLM-Assisted Zero-Dependency Python Libraries [4.178382873374296]
  サードパーティのPythonライブラリは依存性管理のオーバーヘッド、サプライチェーンのリスク、デプロイメントの摩擦を導入している。 これは、人気の高いサードパーティライブラリのalibのみの再実装の増大するシングルファイルPythonモジュールのコレクションである。 シリアライゼーション、ネットワーキング、暗号、エージェントプロトコル、テキスト処理など、12のカテゴリにまたがる40以上のモジュールをスパンニングすることで、ゼロディープは2つの相互関連質問に対して制御されたテストベッドを提供する。
  論文  参考訳（メタデータ） (2026-05-20T17:02:54Z)
• Reviving Any-Subset Autoregressive Models with Principled Parallel Sampling and Speculative Decoding [55.2480439325792]
  任意の順序言語モデルでは、正しい関節分布からトークンを並列にサンプリングする方法がオープンな問題である。 我々は,任意のサブセット自動回帰モデル (AS-ARM) という,異なるモデルのクラスが解を持っていることを発見した。 我々は,AS-ARMがベンチマークタスクを埋め込んだ200M未満のパラメータモデル間で最先端の性能を実現し,コード生成における50倍のモデルの性能とほぼ一致していることを示す。
  論文  参考訳（メタデータ） (2025-04-29T06:33:13Z)
• Mixture-Models: a one-stop Python Library for Model-based Clustering using various Mixture Models [4.60168321737677]
  textttMixture-Modelsは、Gaussian Mixture Models(GMM)とその変種を適合させるオープンソースのPythonライブラリである。 様々な第1/第2次最適化ルーチンを使用して、これらのモデルの実装と分析を合理化する。 このライブラリは、BIC、AIC、ログライクな推定など、ユーザフレンドリーなモデル評価ツールを提供する。
  論文  参考訳（メタデータ） (2024-02-08T19:34:24Z)
• UncertaintyPlayground: A Fast and Simplified Python Library for Uncertainty Estimation [0.0]
  UncertaintyPlaygroundはPyTorchとGPyTorch上に構築されたPythonライブラリで、教師付き学習タスクの不確かさを推定する。 このライブラリは、ガウスおよびマルチモーダルな結果分布の高速なトレーニングを提供する。 1つ以上のインスタンスの予測間隔を視覚化することができる。
  論文  参考訳（メタデータ） (2023-10-23T18:36:54Z)
• ProbVLM: Probabilistic Adapter for Frozen Vision-Language Models [69.50316788263433]
  本稿では,事前学習された視覚言語モデルの埋め込みに対する確率分布を推定する確率的アダプタProbVLMを提案する。 本稿では,検索タスクにおける不確実性埋め込みのキャリブレーションを定量化し,ProbVLMが他の手法よりも優れていることを示す。 本稿では,大規模な事前学習型潜伏拡散モデルを用いて,埋め込み分布を可視化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-01T18:16:06Z)
• PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
  PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。 PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。 PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
  論文  参考訳（メタデータ） (2022-01-12T07:32:36Z)
• MRCpy: A Library for Minimax Risk Classifiers [10.380882297891272]
  PythonライブラリであるMRCpyは、ロバストリスク最小化(RRM)アプローチに基づいて、ミニマックスリスク分類器(MRC)を実装している。 MRCpyは、Scikit-learnのような人気のあるPythonライブラリの標準に従い、可読性と使いやすさと、他のライブラリとのシームレスな統合を容易にする。
  論文  参考訳（メタデータ） (2021-08-04T10:31:20Z)
• BayesSimIG: Scalable Parameter Inference for Adaptive Domain Randomization with IsaacGym [59.53949960353792]
  BayesSimIGは、最近リリースされたNVIDIA IsaacGymと統合されたBayesSimの実装を提供するライブラリである。 BayesSimIGはNVIDIABoardと統合して、高次元の後方のスライスを簡単に視覚化する。
  論文  参考訳（メタデータ） (2021-07-09T16:21:31Z)
• Picasso: A Sparse Learning Library for High Dimensional Data Analysis in R and Python [77.33905890197269]
  本稿では,様々なスパース学習問題に対して,経路座標を統一的に最適化する新しいライブラリについて述べる。 ライブラリはR++でコード化されており、ユーザフレンドリーなスパース実験を行っている。
  論文  参考訳（メタデータ） (2020-06-27T02:39:24Z)

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。