Können wir ein besseres Modell für Zeitreihendaten erstellen? In diesem Artikel wird ein neues statistisches Modell vorgestellt, das Zeitreihendaten in Regimes mit annähernd linearer Dynamik segmentiert und die Parameter jedes Regimes lernt. Dieses Modell kombiniert Hidden-Markov-Modelle und lineare dynamische Systeme. Die Autoren stellen eine Variationsapproximation vor, die eine untere Schranke für die Log-Likelihood maximiert und sowohl Vorwärts- als auch Rückwärtsrekursionen verwendet. Tests an künstlichen und natürlichen Daten deuten auf die Realisierbarkeit von Variationsapproximationen für Inferenz und Lernen in Switching-State-Space-Modellen hin.
Dieser Artikel, der in Neural Computation veröffentlicht wurde, stimmt mit dem Schwerpunkt des Journals auf Rechenmethoden, maschinelles Lernen und neuronale Netze überein. Die Forschung stellt ein neuartiges statistisches Modell und eine Variationsapproximation für die Zeitreihenanalyse vor, die zum Bereich des maschinellen Lernens beiträgt. Seine Relevanz für die neuronale Berechnung und Datenanalyse macht es für die Leserschaft des Journals geeignet.