提出可显式建模状态持续时间的递归动态系统，提升时序分割精度。
Bayesian Inference in Recurrent Explicit Duration Switching Linear Dynamical Systems
- 引入递归持续时间变量，显式建模状态切换周期。
- 在三个基准数据集上实现更优的时序分段效果。
- 适合需要精确状态时长建模的时序分析任务。
本文提出一种新模型——递归显式持续时间切换线性动态系统（REDSLDS），将递归显式持续时间变量引入rSLDS模型。同时提出基于Pólya-gamma辅助变量的推断与学习方法。在三个基准数据集上验证了该模型的分割性能提升，包括两个定量数据集和一个定性数据集。
原文摘要 · Abstract (English)
In this paper, we propose a novel model called Recurrent Explicit Duration Switching Linear Dynamical Systems (REDSLDS) that incorporates recurrent explicit duration variables into the rSLDS model. We also propose an inference and learning scheme that involves the use of Pólya-gamma augmentation. We demonstrate the improved segmentation capabilities of our model on three benchmark datasets, including two quantitative datasets and one qualitative dataset.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。