基于Polya-Gamma数据增强的贝叶斯非齐次隐马尔可夫模型及其在降雨建模中的应用
应用统计
2017-01-16 v2 机器学习
摘要
离散时间隐马尔可夫模型是一类应用广泛的潜变量模型，在语音识别、生物信息学和气候数据分析等领域有应用。实践中通常通过使用多项逻辑参数化使转移概率依赖于时变外生输入变量，从而将时间非齐次性引入此类模型。我们扩展了此类模型，利用广义线性模型(GLM)将额外的非齐次性引入发射分布，并采用数据增强进行基于采样的推断。然而，状态转移模型中逻辑函数的存在显著增加了整体模型的参数推断难度，尤其在贝叶斯框架下。为此，我们扩展了最近提出的Polya-Gamma数据增强方法以处理非齐次隐马尔可夫模型(NHMMs)，从而开发出一种高效的马尔可夫链蒙特卡罗(MCMC)采样方案。我们将所提模型与推断方案应用于印度30年的日降雨数据，对该地区降雨相关现象获得若干见解。我们提出的方法能够对相对复杂的NHMMs进行全贝叶斯分析，其规模是以往方法无法实现的。实现本文方法的软件可通过R包NHMM获取。
引用
@article{arxiv.1701.02856,
title = {Bayesian Non-Homogeneous Markov Models via Polya-Gamma Data Augmentation with Applications to Rainfall Modeling},
author = {Tracy Holsclaw and Arthur M. Greene and Andrew W. Robertson and Padhraic Smyth},
journal= {arXiv preprint arXiv:1701.02856},
year = {2017}
}
备注
40 pages, 26 figures