Tensor Decomposition-Based Training Method for High-Order Hidden Markov Models

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F21%3A00354899" target="_blank" >RIV/68407700:21230/21:00354899 - isvavai.cz</a>

Výsledek na webu

<a href="http://ceur-ws.org/Vol-2962/paper28.pdf" target="_blank" >http://ceur-ws.org/Vol-2962/paper28.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Tensor Decomposition-Based Training Method for High-Order Hidden Markov Models

Popis výsledku v původním jazyce

Hidden Markov models (HMMs) are one of the most widely used unsupervised-learning algorithms for modeling discrete sequential data. Traditionally, most of the applications of HMMs have utilized only models of order 1 because higher-order models are computationally hard to train. We reformulate HMMs using tensor decomposition to efficiently build higher-order models with the use of stochastic gradient descent. Based on this, we propose a new modified version of a training algorithm for HMMs, especially suitable for high-order HMMs. Further, we show its capabilities and convergence on synthetic data.

Název v anglickém jazyce

Tensor Decomposition-Based Training Method for High-Order Hidden Markov Models

Popis výsledku anglicky

Hidden Markov models (HMMs) are one of the most widely used unsupervised-learning algorithms for modeling discrete sequential data. Traditionally, most of the applications of HMMs have utilized only models of order 1 because higher-order models are computationally hard to train. We reformulate HMMs using tensor decomposition to efficiently build higher-order models with the use of stochastic gradient descent. Based on this, we propose a new modified version of a training algorithm for HMMs, especially suitable for high-order HMMs. Further, we show its capabilities and convergence on synthetic data.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 21st Conference Information Technologies – Applications and Theory (ITAT 2021)

ISBN

—

ISSN

1613-0073

e-ISSN

1613-0073

Počet stran výsledku

7

Strana od-do

39-45

Název nakladatele

CEUR Workshop Proceedings

Místo vydání

Aachen

Místo konání akce

Heľpa

Datum konání akce

24. 9. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—