Esempi di problemi di modelli Markov nascosti?


21

Ho letto un bel po 'di modelli Markov nascosti e sono stato in grado di codificarne una versione piuttosto semplice.

Ma ci sono due modi principali che mi sembra di imparare. Uno è di leggerlo e implementarlo nel codice (che è fatto) e il secondo è capire come si applica in diverse situazioni (quindi posso capire meglio come si collega ai problemi su cui potrei lavorare). Tutti gli esempi che ho fatto finora hanno riguardato una sorta di previsione del DNA o il lancio di monete.

Mi chiedo se ci sono risorse per ottenere altri problemi di Markov (il linguaggio non ha importanza, ma si spera anche con le risposte, così posso sapere se ho ragione o torto)?


Mi è stato consigliato di posta croce questo da stackoverflow.com/questions/8661941/...
Lostsoul

Potresti essere un po 'più specifico in termini di "codificare una versione piuttosto semplice"? Hai simulato da un processo di Markov nascosto o hai codificato gli algoritmi di Viterbi, forward o Baum – Welch? (Gli ultimi tre verrebbero utilizzati per calcolare la sequenza di stati corrispondente più probabile, la probabilità della sequenza di osservazioni o le probabilità di avvio, la funzione di transizione e la funzione di osservazione di un modello Markov nascosto, rispettivamente.)
Wayne,

Ciao Wayne, ho praticamente codificato una versione di questa pagina (il foglio di calcolo) per baum-welch: cs.jhu.edu/~jason/papers/#tnlp02 e sostanzialmente ho implementato il codice per la pagina wiki di viterbi e ho seguito alcuni tutorial di base su modelli markov nascosti. Questo potrebbe sembrare stupido, ma volevo vedere altri tipi di problemi che potrei provare a risolvere in modo da poter capire meglio di cosa sono capaci i modelli markov.
Lostsoul,

1
Non voglio passare settimane a lavorarci su, ma ad esempio un caso di studio di qualcuno che utilizza modelli markov in modalità non gettoniera o previsione meteorologica potrebbe aiutarmi a capire la gamma di problemi che può risolvere meglio. sto fondamentalmente cercando di capire meglio testando cosa possono fare i modelli markov.
Lostsoul,

Penso che l'HMM abbia anche applicazioni molto importanti in finanza (tassi di interesse) ed economia (PIL).
Un vecchio nel mare.

Risposte:


8

Ho usato HMM in uno scenario di stima a livello di domanda / inventario, in cui avevamo acquistato merci da molti negozi che potrebbero essere o meno fuori dall'inventario delle merci. La sequenza di richieste giornaliere per questi articoli conteneva quindi zero che erano giorni di domanda zero legittimi e anche zero perché il negozio era esaurito. Penseresti di sapere se il negozio era esaurito dal livello di inventario, ma gli errori nei record di inventario si propagano e non è affatto raro trovare un negozio che pensa che abbia un numero positivo di articoli a portata di mano, ma in realtà non ha nessuno; lo stato nascosto è, più o meno, se il negozio ha effettivamente un inventario e il segnale è (domanda giornaliera, livello di inventario nominale). Nessun riferimento per questo lavoro, però; non dovevamo pubblicare i risultati per motivi competitivi.

Modifica: aggiungerò che questo è particolarmente importante perché, con zero richieste, l'inventario disponibile nominale del negozio non diminuisce mai e attraversa un punto dell'ordine, innescando un ordine per più inventario - quindi, uno stato zero disponibile a causa di i record di inventario errati non vengono riparati per molto tempo, fino a quando qualcuno nota che qualcosa non va o si verifica un conteggio dei cicli, che potrebbe essere molti mesi dopo l'inizio del problema.


Credo che questo sia noto come un problema di zero inflazione e sono abbastanza diffusi. È necessario un modello che modella gli "zeri in eccesso" (quando la lettura è zero perché non può esserci alcuna lettura, al contrario di una lettura legittima di zero), quindi un modello di secondo livello che modella il resto. Ad esempio, il numero di clienti in una banca: a volte in realtà non ce ne sono, altre volte la banca è chiusa, quindi non può essercene. O la velocità di un'auto: a volte è ferma con un guidatore, altre volte è parcheggiata. Ecc.
Wayne, il

Abbastanza vero, dal punto di vista del segnale di domanda. L'altra parte del problema è l'identificazione dello stato nascosto "inventario = 0 | record di inventario> 0", che in realtà era più importante per il cliente.
jbowman,

Devo anche sottolineare che gli "zeri gonfiati" non vengono evitati nel tempo - ci sono piste in cui tutti gli zeri sono "extra" e piste in cui nessuno di loro è, quindi la necessità dell'HMM con lo stato che indica che sta accadendo a ogni osservazione.
jbowman il

6

Ho praticamente provato la stessa cosa e non ho trovato molto oltre il tempo. Le aree che vengono in mente comprendono: riconoscimento vocale, rilevamento del punto di cambiamento, etichettatura di parti del discorso nel testo, allineamento di elementi / testo sovrapposti e riconoscimento della lingua dei segni.

Un esempio che ho trovato e fatto un po 'di esplorazione è stato nella Sezione 8 di questa introduzione , che è uno dei riferimenti per gli HMM in Wikipedia. (In realtà è abbastanza divertente: la tua analisi scopre che ci sono vocali e consonanti.) Questo ti introduce anche a lavorare con un corpus di testo, che è utile.

(Se vuoi giocare con la generazione con HMM, potresti allenarti sul testo di Shakespeare e quindi generare un falso Shakespeare.)


3

La maggior parte dei software di riconoscimento vocale utilizza Hidden Markov Models. Puoi sperimentare l'elaborazione del linguaggio naturale se vuoi avere un'idea delle applicazioni HMM.

Ecco una buona fonte: Probabilistic Graphical Models, di Koller e Friedman .


Grazie Carlos. Ottimo libro, ho iniziato a leggerlo qualche tempo fa ma non l'ho finito. Capito per imparare sull'apprendimento automatico e sulla teoria dei grafi, ma tornerò indietro e cercherò domande relative ai modelli markov. Dò anche un'occhiata all'elaborazione del linguaggio naturale (non ci avevo mai lavorato prima)
Lostsoul

3

I modelli di markov nascosti sono molto utili nel monitoraggio dell'HIV. L'HIV entra nel flusso sanguigno e cerca le cellule di risposta immunitaria. Si siede quindi sul contenuto proteico della cellula, entra nel nucleo della cellula e cambia il contenuto di DNA della cellula e inizia la proliferazione dei virioni fino a quando non esplode dalle cellule. Tutte queste fasi sono inosservabili e chiamate latenti. Un esempio ideale per la modellazione markoviana nascosta.


2
Quindi, in che modo esattamente i modelli nascosti di Markov aiutano a monitorare l'HIV? I medici usano gli HMM per diagnosticare l'HIV? I ricercatori li usano per comprendere meglio i meccanismi della malattia o creare farmaci e terapie anti-HIV? Qualsiasi riferimento sarebbe molto utile.
Leone,


Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.