隠れマルコフモデルの効率的推論のための分散低減確率最適化

隠れマルコフモデル（HMM）は、連続データから有限の潜在状態を特定するための人気のモデルです。しかし、これを大規模なデータセットに適合させることは、ほとんどの最尤推定手法がパラメータ更新のたびに全データセットを反復処理する必要があるため、計算的に負担が大きくなることがあります。私たちは、データセット全体を反復することなくHMMのパラメータを更新する新しい最適化アルゴリズムを提案します。具体的には、部分的EステップとMステップ内での分散低減確率最適化を組み合わせます。特定の正則性条件の下でアルゴリズムが収束することを証明します。シミュレーション研究とカナダ西海岸の8頭の北方定住オルカ（Orcinus orca）から収集した生物計器を用いた運動データのケーススタディを通じて、理論的なアルゴリズムを経験的にテストします。いずれの場合も、私たちのアルゴリズムは、標準的な数値最適化手法と比べて、より少ないエポックで、計算時間も短く、より高い尤度の領域に収束します。このアルゴリズムにより、実務者は既存のベースラインよりも効率的に複雑なHMMを大規模な時系列データセットにフィットさせることができます。補足資料はオンラインで利用可能です。