Spectral Learning of Mixture of Hidden Markov Models
Spectral Learning of Mixture of Hidden Markov Models
复制标题
隐马尔可夫模型混合的谱学习
DOI：
--
复制
发表时间：
2014
期刊：
影响因子：
--
通讯作者：
Paris Smaragdis
中科院分区：
文献类型：
--
作者：
Cem Subakan;Johannes Traa;Paris Smaragdis
在本文中，我们提出了一种基于矩量法（MoM）的混合隐马尔可夫模型（MHMM）的学习方法。 MoM 的计算优势使得 MHMM 学习适合大型数据集。使用现有的学习方法不可能直接学习 MHMM，这主要是由于估计过程中的排列模糊性。我们证明，即使存在估计噪声，也可以使用全局转移矩阵的谱特性来解决这种模糊性。我们证明了我们的方法在合成数据和真实数据上的有效性。
In this paper, we propose a learning approach for the Mixture of Hidden Markov Models (MHMM) based on the Method of Moments (MoM). Computational advantages of MoM make MHMM learning amenable for large data sets. It is not possible to directly learn an MHMM with existing learning approaches, mainly due to a permutation ambiguity in the estimation process. We show that it is possible to resolve this ambiguity using the spectral properties of a global transition matrix even in the presence of estimation noise. We demonstrate the validity of our approach on synthetic and real data.