Statistical Inference in Hidden Markov Models Using k -Segment Constraints
利用 k 段约束进行隐马尔可夫模型统计推断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：摘要研究通用序列模型的后验计算，未明确涉及宏观时间序列或结构变化问题。
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…
利用 k 段约束进行隐马尔可夫模型统计推断
- 研究问题
- 隐马尔可夫模型的输出如何超越单一最可能状态序列，并在用户指定状态段数约束下提供更丰富的后验信息？
- 方法与思路
- 作者引入线性时间动态规划递推，在段数约束下求最大后验序列、计算后验概率并模拟路径，统称为 k 段算法。
- 材料陈述的贡献
- 摘要提出受段数约束的三类后验计算工具，并以模拟和真实例子展示其在模型拟合及既有拟合结果探索中的用途。
- 阅读关注点
- 阅读时应核对段的定义、约束形式和递推边界，以及线性复杂度对应哪些固定量、约束如何用于模型拟合和后验探索。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未提供递推公式、复杂度完整条件及模型适配细节，不能推断额外统计保证或刊本变化。
原文摘要
Hidden Markov models (HMMs) are one of the most widely used statistical methods for analyzing sequence data. However, the reporting of output from HMMs has largely been restricted to the presentation of the most-probable (MAP) hidden state sequence, found via the Viterbi algorithm, or the sequence of most probable marginals using the forward–backward algorithm. In this article, we expand the amount of information we could obtain from the posterior distribution of an HMM by introducing linear-time dynamic programming recursions that, conditional on a user-specified constraint in the number of segments, allow us to (i) find MAP sequences, (ii) compute posterior probabilities, and (iii) simulate sample paths. We collectively call these recursions k-segment algorithms and illustrate their utility using simulated and real examples. We also highlight the prospective and retrospective use of k-segment constraints for fitting HMMs or exploring existing model fits. Supplementary materials for this article are available online.