隠れマルコフモデル（HMM）

隠れマルコフモデルの仕組み

HMMは、シーケンシャルなデータをモデル化するために協働するいくつかの主要コンポーネントで構成される：

• 隠れた状態：これは、モデルが推論しようとするシステムの観測不可能な状態である。例えば、天気予報では、隠れた状態は "晴れ"、"曇り"、"雨 "であるかもしれない。
• 観測可能な出力（エミッション）：各隠れ状態が生成することができる目に見えるデータポイントである。天候の例に従えば、観測は "高温"、"低温"、または "高湿度 "である。
• 遷移確率：これらの確率は、ある隠れた状態から別の状態に移行する可能性を支配する。例えば、「晴れ」の日が「曇り」の日に続く確率がある。
• 放出確率：これらの確率は、システムが特定の隠れた状態にある場合に、特定の出力を観測する可能性を表す。例えば、隠れた状態が "雨 "の場合、"高湿度 "を観測する確率は高くなる。

予測を行うために、HMMは確立されたアルゴリズムを使用する。ビタビ・アルゴリズムは、一連のオブザベーションが与えられたときに、最も可能性の高い隠れ状態のシーケンスを見つけるために一般的に使用される。モデルを訓練し、訓練データからその確率分布を学習するために、バウム・ウェルチ・アルゴリズムがしばしば採用される。

実世界での応用

HMMは何十年もの間、様々な分野で応用され、成功を収めてきた。以下はその顕著な例である：

1. 音声認識古典的な音声認識システムでは、HMMが用いられてきた。隠れ状態は音素（言語の音の基本単位）に対応し、観測可能な出力は録音された音声から抽出された音響特徴である。HMMのタスクは、音声信号から最も可能性の高い音素列を決定することであり、これを用いて話し言葉を識別する。
2. バイオインフォマティクスHMMは計算生物学の基礎であり、特に遺伝子の発見において重要である。この文脈では、隠れた状態は「エクソン」（コード領域）や「イントロン」（非コード領域）のような遺伝子の一部を表し、観測値はDNA塩基配列（A、C、G、T）である。長いDNA配列を解析することで、HMMは遺伝子の最も可能性の高い位置を特定することができる。National Center for Biotechnology Information (NCBI)がこれらの方法を詳しく説明している。

関連概念との比較

HMMを他の配列モデルと区別することは重要だ：

• マルコフ決定過程(MDP):どちらも状態と遷移を含むが、MDPは状態が完全に観測可能であると仮定し、強化学習（RL）の枠組みの中で意思決定（最適な行動を見つけること）に焦点を当てる。HMMは観測から隠れた状態を推測することに重点を置く。DeepMindの入門教材のようなリソースは、RLとMDPをカバーしています。
• リカレント・ニューラル・ネットワーク(RNN)とロング・ショート・ターム・メモリー(LSTM):これらも逐次データ用に設計されたディープラーニング（DL）モデルである。HMMの明示的な確率的状態とは異なり、RNN/LSTMは、シーケンスを処理する際に暗黙的に進化する内部隠れ状態ベクトルを保持する。RNN/LSTMは、より複雑で長距離の依存関係を捉えることができるため、機械翻訳や高度な音声認識のようなタスクで高い精度を達成することができる。LSTMの概要を理解する Ultralytics YOLOのような最新のビジョンモデルは、物体検出や インスタンスのセグメンテーションのようなタスクに、PyTorchや TensorFlowのようなフレームワークで構築されたDLアーキテクチャを使用します。

新しいディープラーニング手法が最先端の結果を達成することが多い一方で、HMMはその解釈可能性（明示的な状態と確率）と有効性、特にトレーニングデータが限られている場合やドメイン知識をモデル構造に組み込むことができる場合に、依然として価値があります。YOLOv8や YOLO11のようなDLモデルの開発とデプロイを主に促進するUltralytics HUBのようなプラットフォームを使用する場合でも、HMMのような基礎概念を理解することは、より広範なMLの状況において貴重なコンテキストを提供します。