Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/42685
Tipo: | Tese |
Título: | A General framework for parameter learning with regularization |
Título(s) alternativo(s): | Um paradigma geral para aprendizagem de parâmetros sequencial com regularização |
Autor(es): | Uriel Moreira Silva |
Primeiro Orientador: | Luiz Henrique Duczmal |
Primeiro Coorientador: | Denise Bulgarelli Duczmal |
Primeiro membro da banca : | Ivair Ramos Silva |
Segundo membro da banca: | Thiago Rezende dos Santos |
Terceiro membro da banca: | Sokol Ndreca |
Quarto membro da banca: | Felipe Carvalho Álvares da Silva |
Quinto membro da banca: | Reinaldo Antônio Gomes Marques |
Resumo: | In this thesis we introduce a novel framework for sequential parameter learning in Hidden Markov models capable of accommodating several other algorithms found in the literature as special cases. This generality is achieved mainly by providing an alternative formalism to the role of regularization in this setting. In order to illustrate the flexibility allowed by this framework, we develop three novel algorithms, including an improved and fully-adapted version of the celebrated Liu and West filter. By also considering more efficient resampling schemes, we illustrate that in some cases the poor performance of sequential parameter learning algorithms previously observed in the literature can mostly be attributed to the inherent path degeneracy in these methods, which we actively aim to mitigate. Crucially, we also provide evidence that the parameter learning algorithms discussed here can provide estimates that are compatible with state-of-the-art computationally intensive algorithms, such as particle Markov Chain Monte Carlo. |
Abstract: | Nessa tese é introduzido um novo paradigma de aprendizagem de parâmetros sequencial em modelos de Markov ocultos, capaz de acomodar vários outros algoritmos encontrados na literatura como casos particulares. Essa generalidade é possível principalmente devido à um formalismo alternativo para regularização nesses modelos. Para ilustrar a flexibilidade do novo paradigma, foram desenvolvidos três novos algoritmos, incluindo uma versão melhorada e completamente adaptada do clássico filtro de Liu e West. Considerando também esquemas de reamostragem mais eficientes, é ilustrado que em alguns casos o desempenho inadequado de alguns algoritmos de aprendizagem de parâmetros sequencial previamente observado na literatura pode em sua maioria ser atribuído à degeneração de caminhos inerente à esses métodos, degeneração essa que a metodologia proposta ativamente busca mitigar. Destaca-se também que é fornecida evidência de que os algoritmos para aprendizagem de parâmetros discutidos aqui podem fornecer estimativas compatíveis com algoritmos computacionalmente intensivos e que compõem o estado da arte dessa literatura, como Monte Carlo via cadeias de Markov baseados em métodos de partículas. |
Assunto: | Estatística – Teses Inferência bayesiana – Teses Monte Carlo, Método de. - Teses Markov, processos de. - Teses |
Idioma: | eng |
País: | Brasil |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Departamento: | ICX - DEPARTAMENTO DE ESTATÍSTICA |
Curso: | Programa de Pós-Graduação em Estatística |
Tipo de Acesso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/42685 |
Data do documento: | 27-Nov-2020 |
Aparece nas coleções: | Teses de Doutorado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
tese_UMS_final.pdf | 5.26 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.