Hidden Markov model, definícia a použitie | AI slovník

Odborná definícia

Hidden Markov model je generatívny pravdepodobnostný model sekvencie, v ktorom pozorované hodnoty vznikajú z nepozorovaných diskrétnych stavov. Stav v čase závisí podľa Markovovho predpokladu iba od predchádzajúceho stavu a každé pozorovanie závisí od aktuálneho skrytého stavu. Model určujú počiatočné pravdepodobnosti, prechodová matica a emisné rozdelenia. Forward algoritmus počíta pravdepodobnosť pozorovaní, Viterbi hľadá najpravdepodobnejšiu stavovú cestu a Baum-Welch odhaduje parametre bez známych stavov. Obmedzením je krátka pamäť a pevný počet stavov.

Zrozumiteľné vysvetlenie

Predstavte si stroj, ktorý môže byť v režime normálny, opotrebovaný alebo chybný, ale režim priamo nevidíte. Sledujete iba vibrácie a teplotu. HMM opisuje, ako pravdepodobne stroj prechádza medzi režimami a aké merania každý režim vytvára. Zo série senzorov potom odhadne, v akom stave sa pravdepodobne nachádzal. Jeden hlučný údaj nemusí znamenať poruchu, pretože model zohľadní aj predchádzajúci stav. Ak však reálny proces závisí od udalosti spred mnohých krokov alebo sa režimy plynulo menia, jednoduchý HMM môže byť príliš hrubý.

Časté otázky

Prečo sa stavy nazývajú skryté?

Nie sú priamo pozorované v dátach. Model vidí emisie, napríklad zvuk alebo senzorové meranie, a z nich odhaduje pravdepodobnosť latentného stavu, ktorý ich vytvoril.

Čo rieši Viterbiho algoritmus?

Nájde jednu najpravdepodobnejšiu postupnosť skrytých stavov pre celú pozorovanú sekvenciu. To sa líši od výpočtu najpravdepodobnejšieho stavu osobitne v každom čase, ktorý môže viesť k neplatnej ceste.

Ako sa HMM trénuje bez označených stavov?

Baum-Welch, špeciálny prípad expectation maximization, strieda výpočet očakávaných stavových príslušností a aktualizáciu prechodov a emisií. Môže skončiť v lokálnom optime, preto záleží na inicializácii.

Kedy je Markovov predpoklad problematický?

Keď budúci stav závisí od dlhšej histórie, času stráveného v stave alebo externého kontextu. Rozšírenia používajú vyšší rád, explicitné trvanie, hierarchiu alebo iný sekvenčný model.

Kde sa HMM stále používa?

V bioinformatike, rozpoznávaní reči, diagnostike zariadení, segmentácii správania a úlohách s malým množstvom dát. Jeho výhodou je jasná pravdepodobnostná štruktúra a dostupné presné inferenčné algoritmy.

Súvisiace pojmy

Zdroje a redakčná stopa

Rabiner, A Tutorial on Hidden Markov Models (cs.ubc.ca) hmmlearn documentation (hmmlearn.readthedocs.io)

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.