Slice Samplingに基づく高速な大規模時系列データの分節化

抄録

統計的時系列モデリングでは，Forward filtering-Backward sampling (FFBS)によってパラメータを推論することが可能である．しかし，FFBSではあらゆる隠れ変数の組み合わせに対して確率を計算する必要があり，計算コストが非常に大きい．そこで，Slice sampling(SS)をFFBSに導入し，計算する隠れ変数の組み合わせを確率的に制限することで，精度を保持したまま計算コストを小さくする． 本稿では，教師なしで時系列データから，意味を持つ単位系列に分割・分類可能なGaussian Process-Hidden Semi-Markov Model (GP-HSMM)にSSを導入したGP-HSMM*を提案する． GP-HSMM*は，BSでサンプリングされた隠れ変数の集合を基に， SSにより計算する隠れ変数の組み合わせを確率的に制限することで高速化を可能とする．実験では，人工データとモーションキャプチャデータを用いて，提案手法がGP-HSMMと同等の分割・分類精度を保持したまま，高速化した結果を示す．