Hidden Markov models with an unknown number of states and a repulsive prior on the state parameters
状态数未知且状态参数采用排斥先验的隐马尔可夫模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以隐马尔可夫模型分析时间序列中的潜在状态演化与观测过程。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
状态数未知且状态参数采用排斥先验的隐马尔可夫模型
- 研究问题
- 隐马尔可夫模型的潜在状态数量未知时，如何同时推断状态数及模型参数，并减少相近或冗余状态造成的过拟合，提高状态解释性？
- 方法与思路
- 作者把状态数作为随机变量，采用可逆跳跃 MCMC 探索不同维度模型的后验分布，并对状态参数设置排斥先验，再与独立先验进行模拟和生态应用比较。
- 材料陈述的贡献
- 摘要称，所提框架可探索不同潜在状态维度的模型空间，得到区分更清楚、解释性更好的状态；模拟与两个生态案例用于展示方法表现。
- 阅读关注点
- 应核对排斥先验的形式及强度选择、状态数先验和可逆跳跃方案，检查后验计算的混合表现，以及状态区分改善是否伴随拟合或预测变化。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未提供先验敏感性、计算诊断或性能数值，不能确认排斥先验在所有状态结构下更优。
原文摘要
Hidden Markov models (HMMs) offer a robust and efficient framework for analyzing time series data, modelling both the underlying latent state progression over time and the observation process, conditional on the latent state. However, a critical challenge lies in determining the appropriate number of underlying states, often unknown in practice. In this paper, we employ a Bayesian framework, treating the number of states as a random variable and employing reversible jump Markov chain Monte Carlo to sample from the posterior distributions of all parameters, including the number of states. Additionally, we introduce repulsive priors for the state parameters in HMMs, and hence avoid overfitting issues and promote parsimonious models with dissimilar state components. We perform an extensive simulation study comparing performance of models with independent and repulsive prior distributions on the state parameters, and demonstrate our proposed framework on two ecological case studies: GPS tracking data on muskox in Antarctica and acoustic data on Cape gannets in South Africa. Our results highlight how our framework effectively explores the model space, defined by models with different latent state dimensions, while leading to latent states that are distinguished better and hence are more interpretable, enabling better understanding of complex dynamic systems.