一种具有相似性偏置转移的无限隐马尔可夫模型
机器学习
2017-07-24 v1 人工智能
机器学习
统计方法学
摘要
我们描述了分层狄利克雷过程隐马尔可夫模型（HDP-HMM）的一种推广，它能够编码状态转移更可能发生在“邻近”状态之间的先验信息。这是通过在状态空间上定义一个相似性函数并按成对相似度缩放转移概率来实现的，从而在转移分布之间引入相关性。我们提出了一种该模型的增广数据表示，即马尔可夫跳跃过程，其中：(1) 某些跳跃尝试失败，(2) 成功的概率与源状态和目标状态之间的相似度成正比。这种增广恢复了条件共轭性，并允许使用简单的 Gibbs 采样器。我们在说话人日志任务和使用四声部合唱数据的“和声解析”任务，以及几个合成数据集上评估了该模型和推断方法，与现有模型相比取得了良好的结果。
引用
@article{arxiv.1707.06756,
title = {An Infinite Hidden Markov Model With Similarity-Biased Transitions},
author = {Colin Reimer Dawson and Chaofan Huang and Clayton T. Morrison},
journal= {arXiv preprint arXiv:1707.06756},
year = {2017}
}
备注
16 pages, 4 figures, accepted to ICML 2017, includes supplemental appendix