弥合可用性鸿沟：隐马尔可夫模型谱学习的理论与方法进展
机器学习
2024-08-27 v3 机器学习
摘要
Baum-Welch（B-W）算法是推断隐马尔可夫模型（HMM）最被广泛接受的方法。然而，它易陷入局部最优，且对许多实时应用而言过慢。基于矩方法（MOM）的HMM谱学习（SHMM）已在文献中被提出以克服这些障碍。尽管有其前景，SHMM的渐近理论一直难以捉摸，且SHMM的长期性能可能因误差的无控传播而退化。在本文中，我们（1）给出SHMM所估计似然近似误差的渐近分布，（2）提出一种称为投影SHMM（PSHMM）的新算法以缓解误差传播问题，（3）开发SHMM与PSHMM的在线学习变体以适应潜在的非平稳性。我们在模拟数据与真实应用数据上比较SHMM、PSHMM与通过B-W算法的估计性能，发现PSHMM不仅保留了SHMM的计算优势，还提供了更鲁棒的估计与预测。
引用
@article{arxiv.2302.07437,
title = {Bridging the Usability Gap: Theoretical and Methodological Advances for Spectral Learning of Hidden Markov Models},
author = {Xiaoyuan Ma and Jordan Rodu},
journal= {arXiv preprint arXiv:2302.07437},
year = {2024}
}