离散隐马尔可夫模型中的在线学习
机器学习
2007-08-20 v1
摘要
我们提出并分析了三种用于离散隐马尔可夫模型（HMMs）学习的在线算法，并将它们与 Baldi-Chauvin 算法进行了比较。利用 Kullback-Leibler 散度作为泛化误差的度量，我们在简化情境下绘制了学习曲线。我们分析了其中一种算法在学习漂移概念方面的性能，并在相同情境下将其与 Baldi-Chauvin 算法进行了比较。此外，我们还基于我们的结果简要讨论了学习与对称性破缺。
引用
@article{arxiv.0708.2377,
title = {Online Learning in Discrete Hidden Markov Models},
author = {Roberto C. Alamino and Nestor Caticha},
journal= {arXiv preprint arXiv:0708.2377},
year = {2007}
}
评论
8 pages, 6 figures