逻辑隐马尔可夫模型

Markov Conditions and Factorization in Logical Credal Networks

We examine the recently proposed language of Logical Credal Networks, in particular investigating the consequences of various Markov conditions. We introduce the notion of structure for a Logical Credal Network and show that a structure without directed cycles leads to a well-known factorization result. For networks with directed cycles, we analyze the differences between Markov conditions, factorization results, and specification requirements.

二阶置信隐马尔可夫模型

Second-Order Belief Hidden Markov Models

隐马尔可夫模型（Hidden Markov Models，简称HMM）是一种用于模式识别的学习方法。基于贝叶斯模型的概率延迟是最常用的技术之一。将一阶概率Hacker引入到置信函数理论中，用质量函数代替贝叶斯概率。在本文中，我们提出了一个二阶隐马尔可夫模型的信念函数。以前的作品在信念Hynomial一直集中在一阶Hynomial。我们将其推广到二阶模型。

逻辑序列概率模型选择的“假设EM”

'Say EM' for Selecting Probabilistic Models for Logical Sequences

许多真实世界的序列，如蛋白质二级结构或壳日志表现出丰富的内部结构。然而，传统的序列概率模型只考虑平面符号序列。逻辑隐马尔可夫模型已被提出作为一种解决方案。它们处理逻辑序列，即，一系列的逻辑原子。这是以更复杂的模型选择问题为代价的。实际上，必须探索不同的抽象层次。在本文中，我们提出了一种新的方法来选择逻辑隐马尔可夫模型的数据称为SAGEM。SAGEM结合了广义期望最大化，优化参数，结构搜索模型选择使用归纳逻辑程序设计细化运营商。我们提供的收敛性和实验结果表明SAGEM的有效性。

Hidden Markov Models derived from Behavior Trees

Behavior trees are rapidly attracting interest in robotics and human task-related motion tracking. However no algorithms currently exist to track or identify parameters of BTs under noisy observations. We report a new relationship between BTs, augmented with statistical information, and Hidden Markov Models. Exploiting this relationship will allow application of many algorithms for HMMs (and dynamic Bayesian networks) to data acquired from BT-based systems.

最大熵模型到隐马尔可夫模型的约简

Reduction of Maximum Entropy Models to Hidden Markov Models

我们表明，最大熵（maxent）模型可以建模与某些类型的HALLESS，使我们能够构建maxent模型与隐藏变量，隐藏状态序列，或其他特征。可以使用前向-后向算法来训练模型。虽然结果主要是理论上的兴趣，统一显然不相关的概念，我们也给出了一个maxent模型的实验结果与一个隐藏变量的单词消歧任务，该模型优于标准技术。

隐参数马尔可夫决策过程：发现潜在任务参数的半参数回归方法

Hidden Parameter Markov Decision Processes: A Semiparametric Regression Approach for Discovering Latent Task Parametrizations

控制应用程序通常具有类似但不完全相同的动态任务。我们介绍了隐参数马尔可夫决策过程（HiP-MDP），一个框架，参数化一个家庭的相关动力系统与一组低维的潜在因素，并介绍了半参数回归方法从数据中学习其结构。在控制设置中，我们表明，一个学习的HiP-MDP快速识别一个新的任务实例的动态，允许代理灵活地适应任务的变化。