Markov models and optimization
PulseAugur coverage of Markov models and optimization — every cluster mentioning Markov models and optimization across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的马尔可夫模型技术分析德彪西《Syrinx》中的音乐结构
研究人员开发了一种估计马尔可夫模型中转移核的新颖方法，利用重叠滑动窗口直接从符号序列中导出局部核。这种由观察驱动的方法在德彪西的《Syrinx》上进行了测试，并将其性能与A-B-A'读法进行了比较。研究发现，在窗口大小L=6时，绝对音高和记谱时值核都达到了它们的Jensen-Shannon最大值，尽管时值平台比音高平台窄得多。涉及再合成的进一步实验量化了与源材料的偏差。
-
新框架使用无监督学习进行马尔可夫模型状态构建
本文介绍了一种使用数据驱动方法构建马尔可夫模型状态的新框架。它通过结合监督特征选择和无监督学习技术（如基于密度的聚类、谱聚类和Kohonen自组织映射）来解决任意状态定义的常见问题。研究表明，谱聚类和Kohonen自组织映射在识别固有结构方面特别有效，从而提高了马尔可夫模型的准确性和预测能力。
-
新的SERUM框架从屏幕视频中提取用户行为模型
研究人员开发了SERUM，一个新颖的框架，通过分层视觉语言模型注释，从非结构化屏幕活动中提取和精炼有限状态行为模型。该多通道系统在活动识别和意图推断之间交替进行，以提高标签准确性并减少幻觉。SERUM已证明其能够从以自我为中心的屏幕视频中创建可解释的过程模型，而无需手动注释，这为可扩展的用户建模和行为理解带来了希望。
-
新方法表征复杂马尔可夫模型切空间
研究人员开发了一种表征一般马尔可夫模型切空间正交补的方法，这是高效统计推断的关键一步。这项工作将先前在有向无环图 (DAG) 上的发现扩展到了更复杂的模型，如无向图、链图和有向混合无环图。新方法提供了正交补的闭式表达式，能够推导出目标参数的所有影响函数，这对于构建统计上有效的估计量至关重要。
-
新方法支持具有可变阶马尔可夫模型的约束序列生成
研究人员开发了一种使用可变阶马尔可夫模型并包含规则约束的序列生成新方法。该方法扩展了现有的信念传播技术，以处理生成序列中的固定位置或禁止模式等复杂要求。该方法识别信念传播的特定状态空间，确保准确生成，而无需考虑所有可能的序列组合。