Beispiele für Probleme mit versteckten Markov-Modellen?

21

Ich habe eine Menge versteckter Markov-Modelle gelesen und konnte selbst eine ziemlich einfache Version davon programmieren.

Aber es gibt zwei Möglichkeiten, die ich zu lernen scheine. Zum einen muss es gelesen und in Code implementiert werden (was getan wird), und zum anderen muss verstanden werden, wie es in verschiedenen Situationen angewendet wird (damit ich besser verstehen kann, wie es sich auf Probleme bezieht, an denen ich möglicherweise arbeite). Alle Beispiele, die ich bisher gemacht habe, beinhalteten entweder eine Art DNA-Vorhersage oder das Werfen von Münzen.

Ich frage mich, ob es Ressourcen gibt, um andere Markov-Probleme zu lösen (die Sprache spielt keine Rolle, aber hoffentlich auch die Antworten, damit ich weiß, ob ich Recht oder Unrecht habe).

Lostsoul
quelle
Mir wurde geraten, dies von stackoverflow.com/questions/8661941/…
Lostsoul
Könnten Sie etwas spezifischer in Bezug auf "Code eine hübsche Basisversion" sein? Haben Sie aus einem Hidden-Markov-Prozess simuliert oder die Viterbi-, Forward- oder Baum-Welch-Algorithmen codiert? (Die letzten drei werden verwendet, um die wahrscheinlichste entsprechende Folge von Zuständen, die Wahrscheinlichkeit der Folge von Beobachtungen oder die Startwahrscheinlichkeiten, die Übergangsfunktion und die Beobachtungsfunktion eines Hidden-Markov-Modells zu berechnen.)
Wayne
Hallo Wayne, ich habe im Grunde eine Version dieser Seite (die Tabelle) für baum-welch codiert : cs.jhu.edu/~jason/papers/#tnlp02 und im Grunde den Code für die viterbi-Wiki-Seite implementiert und ein paar grundlegende Tutorials dazu befolgt versteckte Markov-Modelle. Das mag sich dumm anhören, aber ich wollte andere Arten von Problemen sehen, die ich lösen könnte, damit ich besser verstehen kann, wozu Markov-Modelle in der Lage sind.
Lostsoul
1
Ich möchte nicht wochenlang daran arbeiten, aber eine Fallstudie, in der jemand Markov-Modelle ohne Münzwurf oder Wettervorhersagen verwendet, könnte mir helfen, die Bandbreite der Probleme zu verstehen, die dadurch besser gelöst werden können. ich versuche im grunde ein besseres verständnis zu entwickeln, indem ich teste, was markov modelle können.
Lostsoul
Ich denke, HMM hat auch sehr wichtige Anwendungen in den Bereichen Finanzen (Zinssätze) und Wirtschaft (BIP).
Ein alter Mann im Meer.

Antworten:

8

Ich habe HMM in einem Szenario mit Bedarfs- / Lagerbestandsschätzung verwendet, in dem in vielen Geschäften Waren gekauft wurden, die möglicherweise nicht im Lagerbestand der Waren sind oder nicht. Die Abfolge der täglichen Nachfragen für diese Artikel enthielt daher Nullen, die legitime Nullnachfragetage waren, sowie Nullen, die darauf zurückzuführen waren, dass das Geschäft nicht vorrätig war. Sie würden denken, Sie würden wissen, ob das Geschäft auf Inventarebene nicht vorrätig ist, aber Fehler in den Inventaraufzeichnungen häufen sich und es ist nicht ungewöhnlich, ein Geschäft zu finden, das denkt, dass es eine positive Anzahl von Artikeln vorrätig hat, aber tatsächlich hat keine; Der verborgene Zustand ist mehr oder weniger, ob das Geschäft tatsächlich Inventar hat, und das Signal ist das (tägliche Nachfrage, nominales Inventarniveau). Keine Referenzen für diese Arbeit; aus wettbewerbsgründen sollten wir die ergebnisse nicht veröffentlichen.

Bearbeiten: Ich füge hinzu, dass dies besonders wichtig ist, da der nominale Lagerbestand des Geschäfts bei Null-Anforderungen niemals abnimmt und einen Bestellpunkt überschreitet, was eine Bestellung für mehr Lagerbestand auslöst - daher ein Null-Lagerbestand aufgrund von Fehlerhafte Bestandsaufzeichnungen werden für eine lange Zeit nicht repariert, bis jemand bemerkt, dass etwas nicht stimmt oder eine Zyklusanzahl auftritt, was viele Monate nach dem Beginn des Problems sein kann.

Bogenschütze
quelle
Ich glaube, das ist als Null-Inflations-Problem bekannt und sie sind ziemlich weit verbreitet. Sie benötigen ein Modell, das die "überzähligen Nullen" modelliert (wenn der Messwert Null ist, weil im Gegensatz zu einem legitimen Messwert von Null kein Messwert vorhanden ist), dann ein Modell der zweiten Ebene, das den Rest modelliert. Zum Beispiel die Anzahl der Kunden in einer Bank: Manchmal gibt es tatsächlich keine, manchmal ist die Bank geschlossen, also kann es keine geben. Oder die Geschwindigkeit eines Autos: Manchmal sitzt es mit einem Fahrer still, manchmal ist es geparkt. Etc.
Wayne
Richtig, aus Sicht des Nachfragesignals. Der andere Teil des Problems ist das Identifizieren des versteckten Binärzustands "Inventar = 0 | Inventarsatz> 0", der für den Kunden tatsächlich wichtiger war.
Bogenschütze
Ich sollte auch darauf hinweisen, dass die "aufgeblasenen Nullen" nicht im Laufe der Zeit verschwinden - es gibt Läufe, bei denen alle Nullen "extra" sind, und Läufe, bei denen keine von ihnen vorhanden ist, daher ist das HMM mit dem Status erforderlich, der angibt, um was es sich handelt jede Beobachtung.
Bogenschütze
6

Ich habe so ziemlich dasselbe erlebt und fand nicht viel außerhalb des Wetters. Zu den Bereichen, die in den Sinn kommen, gehören: Spracherkennung, Erkennung von Änderungspunkten, Markieren von Wortteilen im Text, Ausrichten überlappender Elemente / Texte und Erkennen der Gebärdensprache.

Ein Beispiel, das ich gefunden und untersucht habe , ist Abschnitt 8 dieser Einführung , der eine der Referenzen für HMMs in Wikipedia ist. (Eigentlich macht es Spaß: Ihre Analyse stellt fest, dass es Vokale und Konsonanten gibt.) Dies führt Sie auch in die Arbeit mit einem Textkorpus ein, was nützlich ist.

(Wenn Sie mit HMMs mit der Generierung spielen möchten, können Sie Shakespeare-Text trainieren und dann Faux-Shakespeare generieren.)

Wayne
quelle
3

Die meisten Spracherkennungsprogramme verwenden Hidden-Markov-Modelle. Sie können mit der Verarbeitung natürlicher Sprache experimentieren, wenn Sie ein Gefühl für HMM-Anwendungen bekommen möchten.

Hier ist eine gute Quelle: Probabilistic Graphical Models von Koller und Friedman .

Carlos Accioly
quelle
Danke, Carlos. Tolles Buch, ich habe vor einiger Zeit angefangen es zu lesen, habe es aber nicht fertiggestellt. Ich habe es verstanden, maschinelles Lernen und Graphentheorie zu lernen, aber ich gehe zurück und suche nach Fragen im Zusammenhang mit Markov-Modellen. Ich werde auch einen Blick auf die Verarbeitung natürlicher Sprache werfen (ich habe noch nie zuvor damit gearbeitet)
Lostsoul
3

Versteckte Markov-Modelle sind sehr nützlich bei der Überwachung von HIV. HIV tritt in die Blutbahn ein und sucht nach den Immunantwortzellen. Es setzt sich dann auf den Proteingehalt der Zelle und gelangt in den Kern der Zelle und verändert den DNA-Gehalt der Zelle und startet die Proliferation von Virionen, bis diese aus den Zellen ausbrechen. Alle diese Stadien sind nicht beobachtbar und werden als latent bezeichnet. Ein ideales Beispiel für die Hidden Markovian-Modellierung.

kss iyer
quelle
2
Inwiefern helfen versteckte Markov-Modelle bei der Überwachung von HIV? Verwenden Kliniker HMMs, um HIV zu diagnostizieren? Verwenden Forscher sie, um die Mechanismen der Krankheit besser zu verstehen oder um Medikamente und Therapien gegen HIV zu entwickeln? Hinweise wären sehr hilfreich.
Leo
1

Eine sehr schöne Anwendung von HMM ist für mich die Akkordidentifikation in der musikalischen Komposition. Siehe zum Beispiel diese Vorlesung.

Miroslav Sabo
quelle
0

Markov-Modelle können nützlich sein, um die Interaktionen eines Benutzers mit einer Website zu analysieren - Zum Beispiel auf Amazon.com, wo herausgefunden wird, welche Interaktionsserien zu einer Kaufabwicklung führen, um in Zukunft Empfehlungen abzugeben.

Ein lustiges Beispiel für die Verwendung des Markov-Modells ist das folgende:

http://freakonometrics.blog.free.fr/index.php?post/2011/12/20/Basic-on-Markov-Chain-(for-parents )

Rohit Banga
quelle
1
Nicht HIDDEN Markov Modelle hier aber - nicht wahr?
B_Miner