A General framework for parameter learning with regularization

• Ano de defesa: 2020
• Autor(a) principal: Uriel Moreira Silva
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ICX - DEPARTAMENTO DE ESTATÍSTICA; Programa de Pós-Graduação em Estatística; UFMG
• Palavras-chave em Português: Inferência Bayesiana; Métodos de Monte Carlo sequenciais; Modelos de Markov ocultos; Bayesian inference; Sequential Monte Carlo methods; Hidden Markov models; Estatística – Teses; Inferência bayesiana – Teses; Monte Carlo, Método de. - Teses; Markov, processos de. - Teses
• Link de acesso: http://hdl.handle.net/1843/42685; https://orcid.org/0000-0001-7640-2530

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.