Dari HMM standar ke HMM Bayesian

Saya mencoba memahami apa perbedaan antara HMM standar dan HMM Bayesian. Wikipedia hanya menyebutkan secara singkat bagaimana modelnya tetapi saya perlu tutorial yang lebih rinci. Apakah ada yang tahu tentang makalah atau implementasi yang bisa saya lihat?

Saya juga punya masalah dengan terminologi yang digunakan. Apa artinya secara praktis jika Anda "menempatkan / menempatkan Dirichlet sebelum distribusi"?

bayesian hidden-markov-model

— Laughingman
sumber

Apakah Anda sama sekali akrab dengan distribusi sebelumnya dan distribusi posterior? Jika tidak, bacalah contoh melakukan inferensi Bayesian pada data binomial (yaitu, dengan urutan flips mata koin yang diamati, simpulkan probabilitas kepala) , maka itu adalah generalisasi langsung ke depan untuk data multinomial (yaitu, diberi beberapa gulungan bias sided die, simpulkan probabilitas mengamati setiap sisi). Masalah terakhir, yang melibatkan "menempatkan Dirichlet prior" pada vektor probabilitas, adalah kesimpulan yang sama dengan HMM Bayesian.

K

$K$

— jerad

Berikut ini adalah makalah pendek yang baik tentang HMM Bayesian untuk penandaan paruh waktu yang memiliki penjelasan yang bagus tentang mengapa pendekatan Bayesian bermanfaat.

— jerad

Jadi, adakah yang bisa memberi contoh bagaimana kelihatannya? Dalam arti dadu 6 sisi, vektor probabilitas seragam adalah {1/6, 1/6, 1/6, 1/6, 1/6, 1/6} kan? Dan apakah itu berarti jika saya menempatkan Dirichlet Prior pada itu?

— Laughingman

Dalam hal Dirichlet sebelumnya, saya percaya itu mengatakan bahwa Anda memiliki satu set variabel yang semuanya persentase / proporsi antara 0 dan 1 dan semua menambahkan hingga 1. (Yaitu mana dan ) Dalam kasus HMM, yang dapat digunakan untuk memodelkan probabilitas transisi ke salah satu dari status yang mungkin, atau probabilitas memancarkan salah satu dari simbol yang mungkin. $n$ $x_1 \dots x_n$ $0 \le x_i \le 1$ $\sum x_i = 1$ $n$ $n$

The halaman wikipedia Dirichlet mengatakan itu cukup baik, terutama bagian yang berjudul "Conjugate untuk kategoris / multinomial".

— Wayne
sumber