algorithm - Forward Algorithmの用途を探しています

Question

Rabiner ( wikipedia の forward Algorithm )によって提案された Forward Algorithm の実世界でのアプリケーションを探しています。

実行時間が重要なアプリケーションを好みます。

Answer 1

前方後方アルゴリズムを意味する場合、それは NLP (品詞タグ付け、音声認識) やバイオインフォマティクスなどのさまざまな分野で使用される HMM をトレーニングするためのBaum-Welch アルゴリズム内で適用されます。

Answer 2

実際、フォワード アルゴリズムは Baum-Welch で使用されるフォワード/バックワード (EM) アルゴリズムとは異なります。順方向アルゴリズムは、一連の観測が与えられた状態にある確率を決定するために使用されます。観測ごとに、前の観測で計算された状態の確率を取得し、遷移確率テーブルを使用してもう 1 ステップ拡張します。フォワード アルゴリズムは基本的にこれを行うための効率的な方法です。なぜなら、すべての中間状態確率をキャッシュして、一度だけ計算されるからです。(これは、メモ化または動的プログラミングの一種です...)

Baum-Welch アルゴリズムは、データから遷移確率と放出確率を導出するために使用され、フォワード アルゴリズム (およびビタビ アルゴリズム) は、このデータを使用して、状態確率と、与えられた観測から最も可能性の高い状態を計算します。

Answer 3

いくつかの点を明確にするために、Forward アルゴリズムのウィキペディアの特徴付けに同意しないため (Durbin を参照):

Forward (および個別に Backward) は、状態パスが不明な場合に観測/放出のシーケンスの確率を計算するために使用され、さらに、その確率を単純なアプローチよりもはるかに効率的に計算するために使用されます (非常に迅速に組み合わせ爆発）。これらを組み合わせることで、観測シーケンスの各位置での特定の放出/観測の確率を提供できます。この情報から、最も可能性の高い状態パスのバージョンが計算されます (「事後デコード」)。ビタビ アルゴリズムは、最も可能性の高い状態パスの別のバージョンを計算します。

実際、Forward または Backward のいずれかを適切に実装すると、他のすべての状態パスに対して特定のシーケンスの確率を計算する手間と比較して、膨大な時間を節約できます。

これらは、システムについて測定できる観察対象から、システムが存在できる状態を分離したい任意のコンテキストで適用されます。最も採用しやすい (そして複雑な) 問題は、おそらく財政問題です。簡単に言えば、あなたの状態パスが [強気、弱気] の要素で構成されており、過去数か月間、VIX などからの状態パスを事後デコードしたとします。これは、商業的/地政学的イベントの種類に関連する解像度で行われます。キャプチャしようとしています。この種の計算を使用して、(Baum-Welch またはより一般的な EM アルゴリズムを介して) 新しいデータやより多くのデータを受け取ると、モデルをトレーニングすることができます。観察) は、あなたの「d はモデルから期待されます (その時点までにトレーニングされたとおり)。統計的に言えば、それはあなたが売買するときです。