概述
它為早期語音識別、基因查找和詞性標記提供了動力。
深入探討
隱馬可夫模型 (HMM) 假設過程隨時間在一組隱藏狀態之間跳躍,其中下一個狀態僅取決於當前狀態(馬可夫屬性)。你永遠不會直接觀察狀態;相反,每個狀態根據發射機率發射可觀察的符號。 HMM 由三個部分定義:初始狀態機率、狀態之間的轉移矩陣、輸出的發射機率。隨之而來的三個經典問題是:評估(觀察到的序列的可能性有多大,由前向演算法解決)、解碼(什麼隱藏路徑最能解釋觀察結果,由維特比演算法解決)和學習(根據資料估計參數,由鮑姆-韋爾奇期望最大化演算法解決)。隱馬可夫模型(HMM)主導了語音和序列標記數十年。
現實世界的實施
詞性標記,將每個單字標記為名詞、動詞或形容詞
生物資訊學中的基因和蛋白質序列分析
經典自動語音辨識系統中的聲學建模
檢測金融和感測器時間序列中的狀態或片段
隱馬可夫模型的未來
循環網路和變壓器在很大程度上取代了語音和語言的 HMM,因為它們捕捉了一階馬可夫鏈無法捕捉的長程非線性依賴性。然而,HMM 在可解釋性、小數據和明確的狀態語義很重要的地方生存下來:生物資訊學、時間序列分割、故障檢測和金融。預計將繼續在混合和設備上管道中使用,並作為更豐富的潛在變量和狀態空間模型的概念墊腳石。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
不斷探索
常見問題
什麼是隱馬可夫模型?
隱馬可夫模型描述了一個系統,該系統透過您無法直接看到的隱藏狀態移動,並沿途發出可觀察的輸出。它為早期語音識別、基因查找和詞性標記提供了動力。
隱馬可夫模型中的「隱」指的是什麼?
您只能看到發出的觀察結果;底層狀態序列是隱藏的,必須推斷出來。
HMM 假設的馬可夫性質是什麼?
在一階馬可夫鏈中,未來僅取決於當前狀態,而不取決於完整的歷史。
哪一種演算法可以找到單一最可能的隱藏狀態序列?
維特比使用動態規劃來保留到達每個狀態的最可能路徑,以恢復最佳的整體狀態序列。
哪三組機率完全指定 HMM?
HMM 由其起始位置、狀態如何轉換、狀態如何發出觀察值來定義。
Baum-Welch 演算法有什麼作用?
Baum-Welch 是一種 EM 程序,它迭代地重新估計轉變和發射機率以最大化資料可能性。