Hidden Markov Model (HMM)

隠れマルコフモデル (HMM) は、内部プロセスが直接確認できない、つまり「隠れている」システムをモデル化するために使用される統計的フレームワークですが、一連の観測可能なイベントを通じて推測できます。現代のディープラーニングは複雑なシーケンスを扱えるように進化していますが、HMMは統計的AIと確率論における基礎的な概念として残っています。特に、イベントの順序が重要なコンテキストを提供する時系列分析データの解析に効果的であり、未来の状態の確率は現在の状態だけに依存し、それ以前の履歴には依存しないという基本原理に基づいています。

HMMの主要な仕組み#

HMMの機能を理解するには、モデルの2つの異なる層、すなわち不可視の状態と可視の出力を区別することが重要です。モデルは、システムが特定の確率に従って隠れ状態間を遷移し、各ステップで観測値を出力すると仮定します。

HMMは、これらの遷移と出力を制御する一連のパラメーターによって定義されます。

• 隠れ状態: ある時点におけるシステムの基礎となる状態を表します。音声モデルでは、隠れ状態が特定の音素または単語を表す場合があります。
• 観測可能なイベント: センサーや入力によって実際に収集されるデータポイントです。音声の例では、観測値は音声波形またはスペクトログラムデータになります。
• 遷移確率: ある隠れ状態から別の隠れ状態へ移行する可能性を表す行列です。たとえば、天候が「雨」から「晴れ」に変化する確率などです。
• 出力確率: 現在の隠れ状態が与えられた場合に、特定の観測値が得られる可能性を定義します。
• 初期確率: システムが最も高い確率で開始する状態を決定する分布です。

HMMのトレーニングでは、通常、トレーニングデータからこれらのパラメーターを推定するためにB​​aum-Welchアルゴリズムを使用します。トレーニング後は、一般的にViterbiアルゴリズムを使用して、新しい観測値のセットから最も可能性の高い隠れ状態のシーケンスをデコードします。

HMMとその他のシーケンスモデルの比較#

HMMは他のシーケンス処理ツールと類似点がありますが、アーキテクチャと用途が大きく異なります。

• HMMとリカレントニューラルネットワーク (RNN)の比較: RNNと長短期記憶 (LSTM)ネットワークは、長距離依存関係と非線形パターンを捉えられるディープラーニングモデルです。一方、HMMはマルコフ仮定（短期記憶）によって制限される、より単純な確率モデルです。ただし、HMMは必要なデータ量が大幅に少なく、はるかに解釈しやすいという利点があります。
• HMMとカルマンフィルター (KF)の比較: どちらも状態推定に使用されます。ただし、カルマンフィルターは連続状態（移動する車の正確な位置の追跡など）向けに設計されているのに対し、HMMは離散状態（車が「駐車中」、「走行中」、「停止中」のいずれであるかの判定など）に使用されます。

実世界での利用例#

ディープラーニング (DL)の台頭にもかかわらず、隠れマルコフモデルは、シーケンスに対する確率的推論が必要な場面で今なお広く使用されています。

音声認識と手書き文字認識#

歴史的に、HMMは音声認識システムの中核を担っていました。この文脈では、発話された単語が「隠れ」状態であり、マイクで録音された音声信号が観測値です。HMMは、音声信号を生成した可能性が最も高い単語のシーケンスを特定するのに役立ちます。同様に、文字のストローク間の遷移をモデル化することで、筆記体の手書き文字の解読にも役立ちます。

生物学的シーケンス解析#

バイオインフォマティクスの分野では、HMMは遺伝子予測とタンパク質アライメントに不可欠です。DNAまたはアミノ酸のシーケンスを解析して、ゲノム内の遺伝子などの機能領域を特定します。「隠れ」状態はコード領域または非コード領域を表し、特定のヌクレオチド（A、C、G、T）が観測値として機能します。

コンピュータービジョンにおける行動認識#

現代のコンピュータービジョンでは、HMMを**YOLO26**のようなモデルと組み合わせて行動認識を実行できます。YOLOが個々のフレーム内の物体やポーズを検出する一方で、HMMは時間経過に伴うこれらのポーズのシーケンスを解析し、「歩く」、「走る」、「転倒する」などの行動を分類できます。

ビジョンと状態分析の統合#

データセットとモデルの管理に**Ultralytics Platform**を使用する開発者にとって、シーケンシャルロジックを理解することは重要です。ビジョンモデルは生の観測値（検出結果）を提供し、それをHMMのような状態空間モデルに入力して時間的コンテキストを推論できます。

次の例では、YOLO26のポーズ推定を使用して観測値のシーケンスを生成する方法を示します。これらのキーポイントは、下流のHMMまたは同様のロジックへの「観測可能なイベント」入力として使用し、時間経過に伴う行動を分類できます。

from ultralytics import YOLO

# Load the YOLO26n-pose model for efficient keypoint detection
model = YOLO("yolo26n-pose.pt")

# Run inference on a video source (the 'observable' sequence)
# stream=True creates a generator for memory efficiency
results = model.predict(source="path/to/video.mp4", stream=True)

# Iterate through frames to extract observations
for result in results:
    # Each 'keypoints' object is an observation for a potential HMM
    keypoints = result.keypoints.xyn.cpu().numpy()

    if keypoints.size > 0:
        print(f"Observation (Normalized Keypoints): {keypoints[0][:5]}...")
        # In a full pipeline, these points would be fed into an HMM decoder

現代のAIにおける重要性#

Transformerや大規模言語モデル (LLMs) が自然言語処理 (NLP)などのタスクでHMMを上回るようになった現在でも、HMMはエッジコンピューティングや低レイテンシ環境において引き続き有用です。計算効率に優れているため、大量のGPU使用が現実的でない、リソースが限られたシステムに適しています。さらに、透明性の高い確率行列に基づいているため、多くのニューラルネットワークが持つ「ブラックボックス」性と比較して、より高い可観測性を提供します。