Hidden markov model explained

Hidden Markov Model
17.10.14
1

목차
• MC이란 무엇인가
• HMM 모델이란
• 3가지 문제(Forward, Viteribi, Baum-Welch Algorithm)
• HMM 학습
2

Markov Chain
• Markov Chain은 시간 연속적인 데이터 설명할 때 쓰인다.
• Q = q1, q2, … ,qN
• A = a01, a02, … , an1, …, ann ( 𝑗=1
𝑛
𝑎𝑖𝑗 = 1 ) all I (천이 확률)
(Transition Probability)
• q0, qF
3

First Order Markov Chain
• qi(State)에서의 확률은 직전 상태에 의존한다.
(ex. 오늘의 날씨는 어제의 날씨 변화에만 영향을 받는다는 가정)
• Markov Assumption: P(qi | q1,…, qi-1) = P(qi | qi-1, qi-2) (2차)
5

HMM
• Markov Chain은 시간 연속적인 데이터 설명할 때 쓰인다.
Ex) Hot -> Cold -> Cold
• HMM은 ??
• “The same architecture comes up in speech recognition. In that case we see acoustic
events in the world and have to infer the presence of “hidden” words that are the
underlying causal source of the acoustics.”
ex) “Here I _ _”
 ‘go’ or ‘am’이 나타날 확률이 높다.
 이 두 단어를 대입해서 의미를 유추
6

• Q = q1, q2, … ,qN
• A = a01, a02, … , an1, …, ann ( 𝑗=1
𝑛
• q0, qF
• O = o1, o2, o3, … ot (Sequence of Observation)
( ex) 관찰된 아이스크림 먹은 순서 3 -> 1-> 3)
• B = bi(Ot) (Observation Probabilities) (Emission Probabilities)
( State qi 에서 Ot 가 일어날 확률)
( ex) 둘째 날에 아이스크림 1개를 먹을 확률)
HMM
7

First Order Hidden Markov Model
• Markov Assumption: P(qi | q1,…, qi-1) = P(qi | qi-1)
• Output Independence:
P(oi | q1,…, qi,…,qT, o1,…,oi,…,oT ) = P(oi | qi)
Ot 관찰은 해당 스테이트 qi에서만 가능하다.
8

Summary(1)
• Q = q1, q2, … ,qN
• A = a01, a02, … , an1, …, ann ( 𝑗=1
𝑛
• q0, qF
• O = o1, o2, o3, … ot (Sequence of Observation)
ex) 관찰된 아이스크림 먹은 순서 3 -> 1-> 3
ex) 관찰된 공 색깔의 순서 빨강 -> 파랑 -> 초록
• B = bi(Ot) (Observation Probabilities) (Emission Probabilities)
( State qi 에서 Ot 가 일어날 확률)
ex) 둘째 날에 아이스크림 1개를 먹을 확률
ex) 두번째 컵에서 초록색 공이 나올 확률
9

HMM으로 모델링이 가능한 경우, 세가지 문제
• Likelihood: Given an HMM λ = (A, B) and an observation sequence O, determine the likelihood P(O l λ)
ex) 희원이가 아이스크림을 3일에 걸쳐 3->1->3를 먹었을 때, HMM에서 3->1->3 (섭취가)
일어날 확률 : P( O | λ )
• Decoding: Given an observation sequence O and an HMM λ = (A, B), discover the best hidden state
sequence Q.
ex) 희원이가 아이스크림을 3일에 걸쳐 3->1->3를 먹었을 때, 가장 가능성 높은 날씨(H or C) 순서를 계산.
: Q = argmax𝑄=(𝑞1,…,𝑞𝑇)
P( Q, O | λ )
• Training: Given an observation sequence O and the set of states in the HMM, learn the HMM parameters A
and B
ex) 날씨(H or C) 간의 천이 확률(Transition Probability)(A)와 해당 날씨에서 Ot(3->1->3를 먹은) 관찰 확률
(Emission Probability)(B)를 학습
10

HMM으로 모델링이 가능한 경우, 세가지 문제(2)
11

1. Likelihood Computation: Forward algorithm
• 관찰 순서의 가능성을 계산
- MC 라면 천이 확률 들의 곱 ex) Hot -> Hot -> Cold
- HMM 라면 … ex) 아이스크림 3개 -> 1개 -> 3개 가 일어날 확률 :p(3, 1, 3)
(날씨 정보는 가려져 있다.)
계산을 어떻게?? - HMM 특징을 생각하기
• Each hidden state produces only a single observation.
P 𝑂 𝑄 = 𝑖=1
𝑇
𝑝 𝑜𝑖 𝑞𝑖
• To compute the joint probability of being particular sequence Q
p(O,Q) = 𝑖=1
𝑇
𝑝 𝑜𝑖 𝑞𝑖 * 𝑖=1
𝑇
𝑝 𝑞𝑖 − 1 𝑞𝑖 = 𝑝 𝑂 𝑄 𝑝(𝑄)
• Total probability of observation by summing over all possible state sequences
p(O) = 𝑄 𝑝 𝑂, 𝑄 = 𝑄 𝑝 𝑂 𝑄 𝑝(𝑄)
12

예시
• 𝑝 3 1 3 | ℎ ℎ 𝑐 = p(3 | h) * p(1 | h) * p(3 | c)
= 0.4 * 0.2 * 0.1
• p(3 1 3, h h c) = p(h | start) * p(h | h) * p(c | h) *p(h | end)*𝑝 3 1 3 | ℎ ℎ 𝑐
• P(3 1 3) = p(3 1 3, h h h)
+ p(3 1 3, h h c)
+ …
+ p(3 1 3, c c c)
= 약 0.0022 O(𝑁𝑇)
13

Forward Algorithm
• Keep the sum of probabilities of all the paths coming to each
state I at time t
• Initialization : 𝑐(j) = 𝑎𝑜𝑗 * 𝑏𝑗(𝑜1) 1≤j≤N
• Recursion : 𝛼𝑡(j) = 𝑖=1
𝑁
𝛼𝑡−1 𝑖 ∗ 𝑎𝑖𝑗*𝑏𝑗(𝑂𝑡)
• Termination : P(O|λ) = 𝑎𝑇(𝑞𝐹) = 𝑖=1
𝑁
𝑎𝑇(𝑖) 𝑎𝑖𝐹
14

※ 𝑎2 2 : 시간 2th 에서 State가 두번째(H)에
있을 확률
= 약 0.0022 O(𝑁2
𝑇) 복잡도
15

2. Decoding : Viterbi algorithm
• calculate the most likely sequence of hidden states qi
• 𝑣𝑡(j) = 𝑚𝑎𝑥𝑞0,𝑞1,..,𝑞𝑡−1
P(q0… qt-1 , o1 o2 ... ot, qt = j | λ)
•
16

Viterbi algorithm
• Viterbi algorithm must produce a probability and also the
most likely state sequence. ( 확률 과 스테이트 순서 )
• Compute this best sequence by keeping track of the path of
hidden states that lead to each state.
• Note that the Viterbi algorithm is identical to the forward
algorithm except that it takes the max over the previous path
probabilities whereas the forward algorithm takes the sum.
17

Viterbi algorithm
• Initialization: 𝑉1 𝑗 = = 𝑎𝑜𝑗 * 𝑏𝑗(𝑜1) 1≤j≤N
• Recursion: 𝑉𝑡 (j) = 𝑚𝑎𝑥𝑖=1
𝑁
𝑉𝑡−1 𝑖 ∗ 𝑎𝑖𝑗*𝑏𝑗 𝑂𝑡
b𝑡𝑡(𝑗) = 𝑎𝑟𝑔𝑚𝑎𝑥𝑖=1
𝑁
𝑉𝑡−1 𝑖 ∗ 𝑎𝑖𝑗*𝑏𝑗 𝑂𝑡 (backpointers)
• Termination:
The best score : P *= 𝑉𝑡(𝑞𝑓) = 𝑚𝑎𝑥𝑖=1
𝑁
𝑉𝑡 𝑖 ∗ 𝑎𝑖𝐹
The start of backtrace : 𝑞𝑡 *= 𝑏𝑡𝑇(𝑞𝑓) = 𝑎𝑟𝑔𝑚𝑎𝑥𝑖=1
𝑁
𝑉𝑡 𝑖 ∗ 𝑎𝑖𝐹
(계산이 끝난 후 backtrack하면서 State 선택함)
18

0.009 = max( V2(2) * 0.6*0.4 , V2(1) * 0.4 * 0.4)
0.0024
0.0009
19

Summary(2)
Forward algorithm
• p(O) ex) P(3 1 3 | λ) = 약 0.0022
Viterbi algorithm
• P( Q, O | λ ) ex) P( Q, (3 1 3) | λ) = 약 0.0009
• Q = argmax𝑄=(𝑞1,…,𝑞𝑇)
P( Q, O | λ ) ex) H<- H <-H
20

3. Learning: HMM Training
• Forward-backward or Baum-Welch Algorithm
• Special case of EM Algorithm(Iterative algorithm)
• M=(A, B, 𝜋) or λ = (A, B) determine HMM parameters, that
best fit training data, that is maximizes P(O | λ).
• 관측된 데이터 만을 가지고, A(aij)와 B(bi(Ot))를 구한다. (1)
21

Backward Algorithm
• Initialization : 𝛽(i) = 𝑎𝑖𝐹 1≤i≤N
• Recursion : 𝛽𝑡(i) = 𝑗=1
𝑁
𝛽𝑡+1(j)∗𝑎𝑖𝑗*𝑏𝑗(𝑂𝑡+1)
• Termination : P(O|λ) = 𝑎𝑇(𝑞𝐹) = 𝑏1(q0) = 𝑗=1
𝑁
𝑎0𝑗*𝑏𝑗(𝑂1)*𝑏1(j)
22

Backward Algorithm
• q1 ~ qn스테이트 에서 Ot+1관
찰을 할때 각각의 확률은
b1(Ot+1) ~ bn(Ot+1)
• Βt(i)라는 새로운 변수가 등장.
• Backward probabilities는 A와 B
를 구하는데 도움이 된다.
23

Forward Algorithm
• Initialization : 𝛼1(j) = 𝑎𝑜𝑗 * 𝑏𝑗(𝑜1) 1≤j≤N
• Recursion : 𝛼𝑡(j) = 𝑖=1
𝑁
𝛼𝑡−1 𝑖 ∗ 𝑎𝑖𝑗*𝑏𝑗(𝑂𝑡)
• Termination : P(O|λ) = 𝑎𝑇(𝑞𝐹) = 𝑖=1
𝑁
𝑎𝑇(𝑖) 𝑎𝑖𝐹
24

미리보기
• P(𝑞𝑡 = i, O| λ ) = 𝛼𝑡(i) ∗ 𝛽𝑡(i)
• 𝛼𝑡(i) 와 𝛽𝑡(i) 는 앞으로 나올 𝛿𝑡 𝑖, 𝑗 와 𝛾𝑡(j) 를 계산할 때 쓰인다.
25

천이 확률(A)의 재계산
• 새로운 변수 정의
• 𝛿𝑡 𝑖, 𝑗 : O, λ 가 주어졌을 때 시간 t에서 I, t+1에서 j에 있을 확률 : P(qt = i, qt+1 = j | O, λ)
26

참고
: 시간 t에서 i에 있을 확률, 시간
t+1에서 j에 있을 확률
그 값을 구하기 위해선
식을 먼저 구할 수 있어야 한다.
= / P(O|λ)
27

천이 확률(A)의 재계산
• 
• ( i에서 j로 천이할 기대 값 /
i에서 다른 곳으로 천이할 기대 값)으로 표현 가능
28

관찰 확률(B)의 재계산
• 새로운 변수 정의
• 𝛾𝑡(j): O, λ 가 주어졌을 때 시간 t에서 State j에 있을 확률 : P(qt = j | O, λ)
29

관찰 확률(B)의 재계산
•
• ( j에 있으면서 (Vk의 확률을 가지는) 관찰 Ot를 할 기대 값 /
j에 있을 기대 값) 으로 표현 가능
• we sum 𝛾𝑡(j) for all time steps t in which the observation Ot is the
symbol Vk. we sum 𝛾𝑡(j) over all time steps t.
• The result is the percentage of the times that we were in state j
and saw symbol vk
30

Summary(3)
• In the E-step, we compute the expected state occupancy count 𝛾
and the expected state transition count 𝛿 from the earlier A and B
probabilities.
• In the M-step, we use 𝛾 and 𝛿 to recompute new A and B
probabilities.
• 목표: P(O | λ’) > P(O | λ)
• 개념적으로 Forward-Backward Algorithm은 Unsupervised Learning
이 가능하지만, 실제로는 초기 값이 매우 중요하다. λ = (A, B)를
먼저 정의하고, A와 B를 트레이닝 시키는 것이 일반적.
32

참고
 P(X|Y, Z) = P(X,Y,Z) / P(Y,Z)
P(X,Y|Z) = P(X,Y,Z) / P(Z)
P(Y|Z) = P(Y,Z) / P(Z)
https://math.stackexchange.com/questions/301207/why-is-px-yz-pyx-zpxz?answertab=active#tab-top
https://www.cl.cam.ac.uk/teaching/1011/ArtIntII/basic-probability.pdf
• Argmax(f(x)): f(x)를 최대로 만드는 x값.
Ex) Argmax(Cos(x)) = {0, 2𝜋} (0≤ 𝑥 ≤ 2𝜋)
• Argmin(f(x)): f(x)를 최소로 만드는 x값.
Ex) Argmin(Cos(x)) = {𝜋} (0≤ 𝑥 ≤ 2𝜋)
33

Reference
• Speech and Language Processing. Daniel Jurafsky & James H.
Martin. Chap9
• www.cedar.buffalo.edu/~govind/CS661/Lec12.ppt
• https://github.com/dsindex/blog/wiki/%5BHMM%5D--
Hidden-Markov-Model-%EA%B5%AC%ED%98%84-
%EA%B4%80%EC%A0%90%EC%97%90%EC%84%9C
• http://blog.daum.net/hazzling/15669927
34

• [Rabiner, 1986] L. Rabiner and B. Juang, “An Introduction to
Hidden Markov Models,” Proc. IEEE ASSP Magazine, 1986.
Reference
35

Hidden markov model explained

More Related Content

What's hot (20)

Similar to Hidden markov model explained (20)

Recently uploaded (20)

Hidden markov model explained