隐藏马可夫模型的高级后验分析：有限马可夫链嵌入与混合解码
机器学习
2025-04-22 v1 机器学习
摘要
隐藏马可夫模型的两个主要应用任务是 (i) 计算隐藏状态序列摘要统计量的分布，和 (ii) 解码隐藏状态序列。我们描述有限马可夫链嵌入 (FMCI) 和混合解码来解决这两个问题。在本文的第一部分，我们使用 FMCI 计算隐藏状态访问次数、隐藏状态消耗的总时间、隐藏状态的驻留时间以及最长运行长度等摘要统计量的后验分布。我们使用条件于观察序列的隐藏状态序列模拟来建立 FMCI 框架。在本文的第二部分，我们应用混合分段以获得对 HMM 的改进解码。我们演示混合解码在性能上优于 Viterbi 解码或后验解码（常称为全局或局部解码），并引入一种新的用于选择混合程序调谐参数的程序。此外，我们基于加权几何平均数提供了混合损失函数的另一种推导。我们在各种经典数据集上演示并应用了 FMCI 和混合解码，并提供可重复性的随附代码。
引用
@article{arxiv.2504.15156,
title = {Advanced posterior analyses of hidden Markov models: finite Markov chain imbedding and hybrid decoding},
author = {Zenia Elise Damgaard Bæk and Moisès Coll Macià and Laurits Skov and Asger Hobolth},
journal= {arXiv preprint arXiv:2504.15156},
year = {2025}
}
备注
23 pages, 14 figures