نموذج ماركوف المخفي متعدد الطبقات

نموذج ماركوف المخفي متعدد الطبقات ( LHMM ) هو نموذج إحصائي مشتق من نموذج ماركوف المخفي (HMM). يتكون نموذج ماركوف المخفي متعدد الطبقات من N مستوى من نماذج HMM، حيث تتوافق نماذج HMM في المستوى i  +  1 مع رموز الملاحظة أو مولدات الاحتمالات في المستوى i . يتكون كل مستوى i من نموذج LHMM من K _i نموذج HMM تعمل بالتوازي. ^{[ 1 ]}

تُعدّ نماذج ماركوف المخفية الخطية (LHMMs) مفيدةً أحيانًا في هياكل مُحددة لأنها تُسهّل عملية التعلّم والتعميم. فعلى سبيل المثال، على الرغم من إمكانية استخدام نموذج ماركوف المخفي كامل الاتصال في حال توفّر بيانات تدريب كافية ، إلا أنه من المفيد غالبًا تقييد النموذج بمنع انتقالات الحالة العشوائية. وبالمثل، قد يكون من المفيد تضمين نموذج ماركوف المخفي في بنية متعددة الطبقات، والتي قد لا تتمكن نظريًا من حلّ جميع المشكلات التي يعجز عنها نموذج ماركوف المخفي الأساسي، ولكنها قادرة على حلّ بعض المشكلات بكفاءة أكبر نظرًا لحاجتها إلى بيانات تدريب أقل.

يتكون نموذج ماركوف المخفي متعدد الطبقات (LHMM) من${\displaystyle N}$مستويات نماذج ماركوف المخفية حيث تكون نماذج ماركوف المخفية على مستوى${\displaystyle N+1}$يتوافق مع رموز الملاحظة أو مولدات الاحتمالات على المستوى${\displaystyle N}$كل مستوى${\displaystyle i}$يتكون نموذج ماركوف ذي الهامش الخطي من${\displaystyle K_{i}}$نماذج ماركوف المخفية تعمل بالتوازي.

على أي مستوى معين${\displaystyle L}$في نموذج ماركوف ذي الوجه الأيسر، سلسلة من${\displaystyle T_{L}}$رموز المراقبة ${\displaystyle \mathbf {o} _{L}=\{o_{1},o_{2},\dots ,o_{T_{L}}\}}$يمكن استخدامها لتصنيف المدخلات إلى واحدة من${\displaystyle K_{L}}$الفئات، حيث تتوافق كل فئة مع كل من${\displaystyle K_{L}}$نماذج ماركوف المخفية على مستوى${\displaystyle L}$ويمكن بعد ذلك استخدام هذا التصنيف لإنشاء ملاحظة جديدة للمستوى${\displaystyle L-1}$نماذج ماركوف المخفية. في الطبقة الأدنى، أي المستوى${\displaystyle N}$رموز الملاحظة البدائية${\displaystyle \mathbf {o} _{p}=\{o_{1},o_{2},\dots ,o_{T_{p}}\}}$تُستخلص هذه البيانات مباشرةً من ملاحظات العملية المُنمذجة. على سبيل المثال، في مهمة تتبع المسار، تنشأ رموز الملاحظة الأولية من قيم المستشعر المُكمّمة. وبالتالي، في كل طبقة من طبقات نموذج ماركوف المخفي الخطي (LHMM)، تنشأ الملاحظات من تصنيف الطبقة الأساسية، باستثناء الطبقة الأدنى حيث تنشأ رموز الملاحظة من قياسات العملية المرصودة.

ليس من الضروري تشغيل جميع المستويات بنفس الدقة الزمنية. على سبيل المثال، من الممكن استخدام تقنية التقطيع الزمني في أي مستوى من مستويات البنية بحيث يأخذ التصنيف متوسط ​​عدة تصنيفات في الاعتبار قبل تمرير النتائج إلى طبقات نموذج ماركوف المخفي الخطي (LHMM). ^{[ 2 ]}

بدلاً من مجرد استخدام نموذج ماركوف المخفي الفائز في المستوى${\displaystyle L+1}$كرمز إدخال لنموذج ماركوف المخفي عند المستوى${\displaystyle L}$من الممكن استخدامه كمولد احتمالات عن طريق تمرير توزيع الاحتمالات الكامل عبر طبقات نموذج ماركوف المخفي الخطي (LHMM). وبالتالي، بدلاً من اتباع استراتيجية "الفائز يأخذ كل شيء" حيث يتم اختيار نموذج ماركوف المخفي الأكثر احتمالاً كرمز للملاحظة، فإن الاحتمالية${\displaystyle L(i)}$مراقبة${\displaystyle i}$يمكن استخدام نموذج ماركوف المخفي (HMM) في صيغة التكرار للمستوى${\displaystyle L}$يُستخدم نموذج ماركوف المخفي (HMM) لمراعاة عدم اليقين في تصنيف نماذج ماركوف المخفية على المستوى${\displaystyle L+1}$وبالتالي، إذا تم تصنيف نماذج ماركوف المخفية على مستوى${\displaystyle n+1}$في حالة عدم اليقين، من الممكن إيلاء المزيد من الاهتمام للمعلومات المسبقة المشفرة في نموذج ماركوف المخفي على المستوى${\displaystyle L}$.

يمكن عمليًا تحويل نموذج ماركوف المخفي ذي الطبقة الكبيرة (LHMM) إلى نموذج ماركوف المخفي ذي طبقة واحدة (HMM) حيث تُدمج جميع النماذج المختلفة معًا. ^{[ 3 ]} من بين المزايا المتوقعة لاستخدام نموذج LHMM مقارنةً بنموذج HMM ذي طبقة واحدة كبيرة، انخفاض احتمالية تعرض نموذج LHMM لظاهرة التجاوز (overfitting) ، نظرًا لتدريب المكونات الفرعية بشكل مستقل على كميات بيانات أصغر. ونتيجةً لذلك، يتطلب نموذج LHMM كمية بيانات تدريب أقل بكثير لتحقيق أداء مماثل لنموذج HMM. ميزة أخرى هي إمكانية إعادة تدريب الطبقات السفلية في نموذج LHMM، الأكثر حساسية للتغيرات البيئية كنوع المستشعرات ومعدل أخذ العينات، بشكل منفصل دون التأثير على الطبقات العليا.

• نموذج ماركوف المخفي الهرمي