[論文レビュー] Gaussian Conditionally Markov Sequences: Dynamic Models and Representations of Reciprocal and Other Classes

Reza Rezaie, X. Rong Li|arXiv (Cornell University)|Dec 11, 2019

Artificial Immune Systems Applications被引用数 11

ひとこと要約

本稿では、特異でないガウス的条件付きマルコフ（CM）系列、特に $CM_L$、$CM_F$、および循環的 $CM_L$ モデルについて、詳細な動的モデルを提示する。循環的 $CM_L$ モデルがマルコフモデルから導出可能であることを確立し、$CM_L$ および $CM_F$ 系列をマルコフ成分と無相関ベクトルに分解することで、体系的なパラメータ設計が可能となり、循環的系列の構造的性質が明らかになる。

ABSTRACT

Conditionally Markov (CM) sequences are powerful mathematical tools for modeling problems. One class of CM sequences is the reciprocal sequence. In application, we need not only CM dynamic models, but also know how to design model parameters. Models of two important classes of nonsingular Gaussian (NG) CM sequences, called $CM_L$ and $CM_F$ models, and a model of the NG reciprocal sequence, called reciprocal $CM_L$ model, were presented in our previous works and their applications were discussed. In this paper, these models are studied in more detail, in particular their parameter design. It is shown that every reciprocal $CM_L$ model can be induced by a Markov model. Then, parameters of each reciprocal $CM_L$ model can be obtained from those of the Markov model. Also, it is shown that an NG $CM_L$ ( $CM_F$ ) sequence can be represented by a sum of an NG Markov sequence and an uncorrelated NG vector. This (necessary and sufficient) representation provides a basis for designing parameters of a $CM_L$ ( $CM_F$ ) model. From the CM viewpoint, a representation is also obtained for NG reciprocal sequences. This representation is simple and reveals an important property of reciprocal sequences. As a result, the significance of studying reciprocal sequences from the CM viewpoint is demonstrated. A full spectrum of dynamic models from a $CM_L$ model to a reciprocal $CM_L$ model is also presented. Some examples are presented for illustration.

研究の動機と目的

• 特異でないガウス的条件付きマルコフ（CM）系列、特に $CM_L$、$CM_F$、および循環的 $CM_L$ クラスの包括的な動的モデルの開発を目的とする。
• $CM_L$ および $CM_F$ モデルの体系的パラメータ設計を可能にするために、それらをマルコフ系列と無相関ベクトルに分解することを目的とする。
• すべての循環的 $CM_L$ モデルがマルコフモデルから導出可能であることを示し、パラメータ導出を簡素化することを目的とする。
• CM フレームワークから導出された新規で単純な表現を用いて、循環的系列の構造的性質を明らかにすることを目的とする。
• $CM_L$ から循環的 $CM_L$ に至るモデルのスケールを網羅し、それらの関係性と応用を示すこと。

提案手法

• 条件付き独立構造を用いて、特異でないガウス的 CM 系列の動的表現として $CM_L$ および $CM_F$ モデルを導出する。
• 任意の NG $CM_L$ または $CM_F$ 系列が、NG マルコフ系列と無相関 NG ベクトルの和として表現可能であることを確立し、構成的パラメータ設計法を提供する。
• すべての循環的 $CM_L$ モデルがマルコフモデルから生じることを証明し、マルコフモデルから循環的 $CM_L$ モデルへのパラメータ移行を可能にする。
• CM フレームワーク内での NG 循環的系列の表現を導入し、それらの固有の構造的性質を強調する。
• $CM_L$ から循環的 $CM_L$ に至るモデルのスケールを構築し、それらの階層的関係性と動的進化を示す。
• モデル構築とパラメータ設計プロセスを示すために、具体的な例を用いる。

実験結果

リサーチクエスチョン

• RQ1 $CM_L$ および $CM_F$ モデルのパラメータを、特異でないガウス的 CM 系列に対して体系的に設計する方法は何か？
• RQ2 循環的 $CM_L$ モデルとマルコフモデルとの関係は何か？また、前者は後者から導出可能か？
• RQ3 $CM_L$ および $CM_F$ 系列をマルコフ成分と無相関ベクトルに分解することは、モデルパラメータ化の根拠となり得るか？
• RQ4 CM フレームワーク内に表現された循環的系列は、どのような構造的性質を明らかにするか？
• RQ5 $CM_L$、$CM_F$、および循環的 $CM_L$ 系列の動的モデルは、連続的なスケールにおいてどのように相互に関係しているか？

主な発見

• すべての循環的 $CM_L$ モデルは、マルコフモデルから導出可能であり、対応するマルコフモデルのパラメータからそのパラメータを導出可能である。
• NG $CM_L$（または $CM_F$）系列は、NG マルコフ系列と無相関 NG ベクトルの和として表現可能であり、モデルパラメータ化の必要十分条件を提供する。
• 分解表現により、$CM_L$ および $CM_F$ モデルのパラメータ設計が体系的かつ構成的に行える方法が得られる。
• CM フレームワーク内での NG 循環的系列の新規表現が導出され、これは単純で、これらの系列の重要な構造的性質を明らかにする。
• $CM_L$ から循環的 $CM_L$ に至る動的モデルのスケールが確立され、それらの階層的および動的関係性が示される。
• 本研究は、CM フレームワークを用いた循環的系列の分析の重要性を示し、それらの構造とモデリング可能性に対するより深い洞察を提供する。