文献

J-GLOBAL ID：201702269251406569   整理番号：17A1426545

不斉隠れMarkovモデル【Powered by NICT】

Asymmetric hidden Markov models

著者 (6件)： Bueno Marcos L.P. (Institute for Computing and Information Sciences, Radboud University Nijmegen, The Netherlands) ,  Hommersom Arjen (Institute for Computing and Information Sciences, Radboud University Nijmegen, The Netherlands) ,  Hommersom Arjen (Faculty of Management, Science and Technology, Open University, The Netherlands) ,  Lucas Peter J.F. (Institute for Computing and Information Sciences, Radboud University Nijmegen, The Netherlands) ,  Lucas Peter J.F. (Leiden Institute of Advanced Computer Science, Leiden University, The Netherlands) ,  Linard Alexis (Institute for Computing and Information Sciences, Radboud University Nijmegen, The Netherlands)
資料名： International Journal of Approximate Reasoning  (International Journal of Approximate Reasoning)
巻： 88  ページ： 169-191  発行年： 2017年 
JST資料番号： T0476A  ISSN： 0888-613X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 多変量時系列を含む多くの問題では,隠れMarkovモデル(HMM)は,時間の経過とともにモデリング複雑な挙動するためにしばしば使用される。HMMは,多数状態の不良問題洞察とモデルオーバフィッティングに導き得るを必要とする,限られたデータが利用できる。本論文では,著者らはさらに不斉隠れMarkovモデル(HMM As)のファミリー,任意のBayesネットワーク分布への放出分布を一般化し,特徴空間の特定のグラフ構造を可能にすることを調べた。結果として,HMMとしてはよりコンパクトな状態空間を与える,複雑性過剰適合のトレードオフを処理できるHMMとして学習の観点からすることができた。本論文では,非対称および対称H MMの表現特性を研究し,同様にHMMとしてのための学習アルゴリズムを提案した。対称および他の非対称性を意識したモデルを用いたHMMとしてを比較するためのシミュレーションに基づく経験的結果,モデル化より一般的な非対称性は非常に有効であることを示すを提供した。もいくつかの領域からの実世界データセットを考察し,データに内在する複数のグラフ構造を同定できることを示すことを目的とした追加的問題の洞察を提供することができる。HMMとして学習はより複雑であることができるが,コンパクトな状態空間,更なる表現を維持する能力のために,実際に実現可能であることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： モデリング ,  学習アルゴリズム ,  *隠れMarkovモデル ,  *モデル ,  非対称性 ,  対称性
準シソーラス用語： 複雑性 ,  状態空間 ,  グラフ構造 ,  特徴空間 ,  信念ネットワーク ,  多変量 , 【Automatic Indexing@JST】

著者キーワード (6件)： 隠れMarkovモデル ,  Bayesネットワーク ,  モデル選択 ,  教師なし学習 ,  時系列 ,  構造学習

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (1件)： 隠れMarkovモデル