#试着翻译 Matthew J.Johnson 的这篇文章
##Abstract
将无处不在的对时间序列处理的马尔可夫模型加入层次性狄利克雷过程隐式马尔可夫链(HDP-HMM)作为一个自然的非参数贝叶斯的扩展是很重要的。但是,很多时候,HMM的马尔可夫性的约束是很不必要的,尤其是当我们想要学习或者编码非几何分布的状态时间的时候。我们可以扩展HDP-HMM来获取一种从确定时间段的半马尔可夫模型获取的架构,这种架构现在基本是使用的参数型的非贝叶斯设置。这样我们可以构建一个可以使用状态时间的自然先验信息的高解释性的模型。
本文中,我们介绍了确定时间的HDP-HSMM,同时开发了一个快速的后验推理的采样算法。这个方法同时也能用来做有限贝叶斯HSMM的推理。我们的结构化吉布斯采样算法可以被集成在更大的层次性贝叶斯模型中,给贝叶斯推理添加了另一种工具。
Introduction
在无监督的前提下,对于一套序列数据,我们经常要推理有意义的状态或者主题。这些状态在数据中,可以用数据的一些特征来描述和区别。比如,Speaker diarization问题,我们有一个记录一个会议的单独的声音文件,我们希望来推理一共有多少个人在说话。他们说话的时候,有一些特征就影响了他们讲话的模式。或者将家庭电源信号分离为各个设备的电源信号,如果我们能够利用我们对每个设备电源模式的电平和持续时间的先前知识,我们将能够更好地完成任务(Kolter和Johnson,2011)。这种针对序列数据的学习问题是普遍存在的,因此我们希望建立通用模型,既足够灵活,适用于许多领域,又足够表达适当的信息。
隐马尔可夫模型(HMM)已被证明是处理序列数据学习问题的优秀通用模型,但它们有两个显著的缺点:&#x