并行退火作为促进层次隐马尔可夫模型推理的机制
摘要：通过隐藏马尔可夫模型和类似的状态切换模型推断动物行为状态的研究近年来变得越来越受欢迎。通过分层隐藏马尔可夫模型可以考虑不同行为尺度的变化，但是额外的层次会增加模型复杂度和组件之间的相关性。最大似然方法，包括EM算法和直接最大化似然的优化方法，被更频繁地使用，而贝叶斯方法则因计算需求较高而不太受青睐。鉴于这些需求，当更倾向于贝叶斯方法时，开发高效的估计算法至关重要。我们研究了使用不同方法来改善马尔可夫链蒙特卡洛方法在分层隐藏马尔可夫模型中的收敛时间和混合性能，包括并行淬火作为推理促进机制。该方法在分析具有高度相关组件的复杂随机模型方面表现出潜力，但我们的结果显示需要仔细调整以最大化这种潜力。
作者：Giada Sacchi and Ben Swallow
论文ID：2011.10088
分类：Computation
分类简称：stat.CO
提交时间：2021-05-06