Inference and Model Choice for Sequentially Ordered Hidden Markov Models
按出现顺序标记的隐马尔可夫模型：推断与模型选择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。
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：摘要研究隐马尔可夫模型的序贯状态表示、粒子滤波和推断，直接关联时间序列方法。
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…
关注这篇论文的作者
按出现顺序标记的隐马尔可夫模型：推断与模型选择
- 研究问题
- 如何通过按状态成分出现的顺序标记隐马尔可夫模型，改善后验解释，并估计给定样本中已经出现的成分数？
- 方法与思路
- 作者重写系统方程以显式表示已出现成分数，结合粒子滤波与 Gibbs 抽样构造序贯蒙特卡洛算法。
- 材料陈述的贡献
- 摘要称，这种重写有助于可识别性和成分数估计，算法较少受标签切换影响，并讨论跨维先验及两个数据例子。
- 阅读关注点
- 应核对已出现成分数与总成分数的区别、重写后的可识别性、粒子算法的更新步骤，以及标签切换的比较证据。
- 阅读边界
- 仅据所给 Crossref 摘要；可识别性并非无条件保证，算法成本与标签切换比较细节未说明，不能推断后续版本变化。
原文摘要
Summary The system equation of a hidden Markov model is rewritten to label the components by order of appearance, and to make explicit the random behaviour of the number of components, mt. We argue that this reformulation is often a good way to achieve identifiability, as it facilitates the interpretation of the posterior density, and the estimation of the number of components that have appeared in a given sample. We develop a sequential Monte Carlo algorithm for estimating the reformulated model, which relies on particle filtering and Gibbs sampling. Our algorithm has a computational cost that is similar to that of a Markov chain Monte Carlo sampler and is much less likely to be affected by label switching, i.e. the possibility of becoming trapped in a local mode of the posterior density. The extension to transdimensional priors is also considered. The approach is illustrated by two real data examples.