Baum-Welch Algorithm
Baum-Welch est la spécialisation d'EM pour l'apprentissage des paramètres de HMM : l'étape E utilise forward-backward pour calculer les occupations attendues des états cachés, et l'étape M met à jour les probabilités de transition et d'émission.
Objectif
Apprendre les paramètres d'un HMM à partir de séquences d'observation sans états cachés annotés.
Mécanisme
Étape E : le forward α et le backward β calculent γ_t(i)=P(q_t=i|O,λ) et ξ_t(i,j)=P(q_t=i,q_{t+1}=j|O,λ). Étape M : on réestime les probabilités de transition et d'émission à partir de γ/ξ. On itère jusqu'à la convergence.
Cas d’usage
- Entraînement de HMM
- Modèles de parole
- Séquences biologiques