JUMP-Means：马尔可夫跳跃过程的小方差渐近
机器学习
2015-06-08 v3 机器学习
摘要
马尔可夫跳跃过程（MJP）被用于建模从疾病进展到 RNA 路径折叠的广泛现象。然而，参数模型的最大似然估计会导致退化轨迹，且在非参数模型中推断性能较差。我们采用小方差渐近（SVA）方法来克服这些局限。我们推导了直接观测和隐状态模型的参数与非参数 MJP 的小方差渐近。在参数情形下，我们获得了一种新颖的目标函数，其导致非退化轨迹。为了推导非参数版本，我们引入了 gamma-gamma 过程，这是对 gamma-exponential 过程的新颖扩展。我们为这些公式提出了算法，称之为 JUMP-means。我们的实验表明，在速度和重建精度方面，JUMP-means 与广泛使用 MJP 推断方法相比具有竞争力或优于它们。
引用
@article{arxiv.1503.00332,
title = {JUMP-Means: Small-Variance Asymptotics for Markov Jump Processes},
author = {Jonathan H. Huggins and Karthik Narasimhan and Ardavan Saeedi and Vikash K. Mansinghka},
journal= {arXiv preprint arXiv:1503.00332},
year = {2015}
}
备注
In Proceedings of the 32nd International Conference on Machine Learning (ICML 2015)