隐马尔可夫模型的乘积：需要N>1才能共舞
机器学习
2012-05-14 v1 机器学习
摘要
隐马尔可夫模型的乘积（PoHMMs）是一类有趣的生成模型，自提出以来很少受到关注。这可能部分是由于其基于梯度的学习算法计算成本更高，以及在该模型下计算序列的对数似然性难以处理。在本文中，我们展示了如何通过退火重要采样可靠地估计配分函数。我们使用对比散度学习在降雨数据和从成对跳舞的人捕获的数据上进行实验。我们的结果表明，无向图模型的学习和评估方面的进展以及近期可用计算能力的提升使得PoHMMs值得考虑用于复杂时间序列建模任务。
引用
@article{arxiv.1205.2614,
title = {Products of Hidden Markov Models: It Takes N>1 to Tango},
author = {Graham W Taylor and Geoffrey E. Hinton},
journal= {arXiv preprint arXiv:1205.2614},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence (UAI2009)