ストリーミング型隠れマルコフモデルに対する予測的な見通し

要旨: 本論文では、ストリーミング・隠れマルコフモデルのための予測優先の最適化フレームワークを開発する。完全に指定された生成モデルのもとでの完全な事後復元を優先する古典的手法とは異なり、我々は、レジーム（状態）の遷移に関する事前分布を固定したまま維持しつつ、パラメータがオンラインで学習されるレジーム別の予測モデルへのアクセスを仮定する。我々の目的は、潜在レジームを逐次的に同定しながら、正確なステップ先の予測分布を維持することである。可能なレジーム経路の数は指数的に増大するため、厳密なフィルタリングは不可能である。そこで、ストリーミング推論を、予測分布空間における制約付き射影問題として定式化する。固定された仮説予算のもとで、前方KL（forward-KL）の意味で最適な、S 本の経路に支持を持つ混合分布によって、完全な事後予測を近似する。解は、事後重みに基づく上位-S の混合分布を正規化し直したものであり、HMMのためのビームサーチを原理的に導出する。得られるアルゴリズムは完全に再帰的で決定論的であり、閉形式の予測更新により、ビーム型の打ち切り（truncation）を実行する。EMやサンプリングはいずれも不要である。計算予算を一致させた条件で、オンラインEMおよび逐次モンテカルロ（Sequential Monte Carlo）との実験的比較により、競争力のある前向き逐次（prequential）性能が示される。