Skrytý Markovů model | AI slovník

Odborná definice

Hidden Marků model je generativní pravděpodobnostní model sekvence, ve kterém pozorované hodnoty vznikají z nepozorovaných diskrétnych stavů. Stav v čase závisí podle Markovovho predpokladu pouze od předchozího stavu a každé pozorování závisí na aktuálního skrytého stavu. Model určují počáteční pravděpodobnosti, prechodová matice a emisné rozdělení. Forward algoritmus počítá pravděpodobnost pozorování, Viterbi hledá nejpravděpodobnější stavovou cestu a Baum-Welch odhaduje parametry bez známých stavů. Obmedzením je krátka paměť a pevný počet stavů.

Srozumitelné vysvětlení

Představte si stroj, který může být v režime normálny, opotrebovaný nebo chybný, ale režim přímo nevidíte. Sledujete pouze vibrace a teplotu. HMM popisuje, jako pravděpodobně stroj prochází mezi režimami a jaké měření každý režim vytváří. Ze série senzorů potom odhadne, v akom stave se pravděpodobně nachádzal. Jeden hlučný údaj nemusí znamenat poruchu, protože model zohladní i předchozí stav. Pokud však reálný proces závisí na události spred mnoha kroků nebo se režimy plynulo mění, jednoduchý HMM může být příliš hrubý.

Časté otázky

Proč se stavy nazývají skryté?

Nejsou přímo pozorované v datech. Model vidí emisie, například zvuk nebo senzorové měření, a z nich odhaduje pravděpodobnost latentního stavu, který jejich vytvořil.

Co řeší Viterbiho algoritmus?

Najde jednu nejpravděpodobnější postupnost skrytých stavů pro celou pozorovanou sekvenci. To se liší od výpočtu najpravdepodobnejšieho stavu zvlášť v každém čase, který může vést k neplatnej cestě.

Jak se HMM trénuje bez označených stavů?

Baum-Welch, špeciálny případ expectation maximization, strieda výpočet očakávaných stavových príslušností a aktualizaci prechodů a emisií. Může skončit v lokálnom optime, proto záleží na inicializaci.

Kdy je Markovů předpoklad problematický?

Když budúci stav závisí na dlhšej historie, času stráveného v stave nebo externího kontextu. Rozšíření používají vyšší rád, explicitní trvání, hierarchiu nebo jiný sekvenční model.

Kde se HMM stále používá?

V bioinformatike, rozpoznávání řeči, diagnostike zařízení, segmentaci chování a úlohách s malým množstvím dat. Jeho výhodou je jasná pravdepodobnostná struktura a dostupné přesné inferenční algoritmy.

Související pojmy

Zdroje a redakční 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.