タグ付けされた質問 「viterbi-algorithm」

私は、隠れマルコフモデル（HMM）の推論のための前方後方アルゴリズムとビタビアルゴリズムの違いを知りたいです。

44 algorithms  hidden-markov-model  viterbi-algorithm  forward-backward 

現在、画像のセグメンテーションの問題にビタビトレーニングを使用しています。私は、ビタビトレーニングの代わりにBaum-Welchアルゴリズムを使用することの利点/欠点を知りたいと思いました。

18 machine-learning  hidden-markov-model  image-processing  viterbi-algorithm  baum-welch 

私はViterbi and Forwardアルゴリズムを実装しましたが、不思議なことに、Backwardアルゴリズムがどのように機能するのか理解できません。直感的には、Forwardの伝播中に計算された値を使用して、Forwardと同じことを逆方向にのみ実行する必要があるように感じます。 私の直感は正しいですか？ この時点で、私は多くのスライドとうんざりする数学表記を読みました。それは助けにはなりません。わかりやすい英語で、BackwardアルゴリズムとForwardアルゴリズムの違いを説明できるものが必要です。 バックワードアルゴリズムはどのように行われるのですか？ 次の小さなHMMと、以下の「BB」シーケンスの転送アルゴリズムの結果を想定します。 START -> 1 H: 0.5 * 0.8 = 0.4 L: 0.5 * 0.6 = 0.3 1 -> 2 H: 0.4 * 0.2 * 0.8 + 0.3 * 0.6 * 0.8 = 0.208 L: 0.4 * 0.8 * 0.6 + 0.3 * 0.4 * …

8 markov-process  hidden-markov-model  viterbi-algorithm 

私はHMMを初めて使用し、まだ学習しています。私は現在、HMMを使用して品詞にタグを付けています。ビタビアルゴリズムを実装するには、遷移確率（a私、jai,j a_{i,j} \newcommand{\Count}{\text{Count}}）と排出確率（b私（o ）bi(o) b_i(o) ）。 私は、教師あり学習法を使用してこれらの確率の値を生成しています。ここでは、文とそのタグ付けを行います。排出確率は次のように計算します。 b私（o ）=カウント（i → o ）カウント（i ）bi(o)=Count(i→o)Count(i) b_i(o) = \frac{\Count(i \to o)}{\Count(i)} どこ カウント（i ）Count(i)\Count(i) タグの回数です 私ii トレーニングセットで発生し、 カウント（i → o ）Count(i→o)\Count(i \to o) 観察された単語が ooo タグにマッピング 私ii。 しかし、これを訓練された b私（o ）bi(o)b_i(o) タグ付けの場合、指定された文に観察された変数があり、 b私bib_i。そのような場合、どのように値を推定しますかbibib_i そのインスタンスのために？

8 probability  hidden-markov-model  laplace-smoothing  viterbi-algorithm