Academic literature on the topic 'Modèle de Markov à variables latentes'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Modèle de Markov à variables latentes.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Modèle de Markov à variables latentes"
1
Lacroix, Robert, Claude Montmarquette, Sophie Mahseredjian, and Nicole Froment. "Disparités interindustrielles dans les taux de départs volontaires : une étude empirique." Articles 67, no. 4 (February 27, 2009): 458–81. http://dx.doi.org/10.7202/602049ar.
Full textAbstract:
RÉSUMÉ L’objet de cet article est d’utiliser le modèle d’estimation LISREL dans l’étude empirique des départs volontaires au Québec. Il s’agit d’un modèle d’estimation de coefficients inconnus d’un ensemble d’équations structurelles linéaires avec variables latentes. Les données utilisées sont au niveau de l’industrie. Elles portent sur l’année 1982 et proviennent de diverses sources. Le modèle estimé contient trois variables endogènes latentes : les départs volontaires, les occasions économiques et les facteurs de risque. Le modèle retient aussi dix variables exogènes portant sur les caractéristiques personnelles des travailleurs, leur formation, leur milieu de travail et l’état des relations de travail. La majorité des résultats obtenus confirment nos anticipations. Par ailleurs, nous avons trouvé un résultat très significatif voulant que les « facteurs de risque » (indice composé de l’incidence et de la gravité des accidents du travail) réduisent les départs volontaires. Ce résultat s’ajoute au peu de résultats empiriques à ce sujet, mais est contraire à ces derniers. Nous avons donc été amenés à examiner de plus près les fondements théoriques des attentes sur cette relation pour en conclure que l’attente traditionnelle d’une relation positive n’était pas fondée et que l’on pouvait tout à fait appuyer une relation négative entre les « facteurs de risque » et les départs volontaires. Notre analyse détaillée des résultats empiriques fait ressortir l’intérêt du modèle LISREL dans l’étude du phénomène complexe des départs volontaires. Mots clés : départs volontaires, salaires, risques d’accidents, LISREL.
2
Jacquinot, Pascal, and F. Mihoubi. "Dynamique et hétérogénéité de l’emploi en déséquilibre." Articles 72, no. 2 (February 13, 2009): 113–48. http://dx.doi.org/10.7202/602200ar.
Full textAbstract:
RÉSUMÉ Pour rendre compte à un niveau macroéconomique des hétérogénéités qui caractérisent le marché du travail, la démarche la plus indiquée est l’agrégation par intégration des micromarchés en déséquilibre. Afin d’enrichir la structure dynamique de ce modèle d’équilibre avec rationnements quantitatifs, nous incluons des variables latentes retardées dans les équations d’offre ou de demande de travail ainsi que les rationnements passés dans l’équation de salaire. À la lumière des derniers développements proposés par Laroque et Salanié (1993), l’estimation de ce type de modèle est désormais envisageable. Leur méthode repose sur une extension du pseudo-maximum de vraisemblance simulé au cas dynamique. Notre objectif est, d’une part, d’étudier l’emploi en déséquilibre et la formation des salaires et d’autre part, de tester l’existence de micromarchés. L’application sur données macroéconomiques trimestrielles françaises met en évidence les résultats suivants. L’hypothèse d’existence de micromarchés ne semble pas rejetée. Néanmoins, depuis la fin des années 70, la contribution de l’imparfaite réallocation entre micromarchés à la montée du chômage se serait réduite. En outre, des effets de report dynamiques semblent affecter la demande de travail et les déséquilibres à la fois présents et passés pèseraient sur la croissance des salaires.
3
Lozano Keymolen, Daniel, Sergio Cuauhtémoc Gaxiola Robles Linares, and Alejandro Martínez Espinosa. "Autorreporte de salud de los adultos mayores en México, 2012-2018." Revista Brasileira de Estudos de População 38 (September 1, 2021): 1–21. http://dx.doi.org/10.20947/s0102-3098a0156.
Full textAbstract:
El objetivo de esta investigación fue analizar los efectos de determinados factores sociodemográficos y de la salud en las trayectorias del autorreporte de salud de las personas mayores en México. Con datos del Estudio Nacional de Salud y Envejecimiento en México 2012-2018, se estimaron las trayectorias mediante modelos de estados latentes de Markov. Los resultados indican que, tanto en mujeres como en hombres hay tres trayectorias, las cuales fueron constantes incluso ajustando por variables sociodemográficas y de la salud. Sin embargo, el arreglo residencial, la multimorbilidad o los síntomas depresivos tuvieron efectos negativos sobre la probabilidad de un autorreporte de salud positivo. Estos resultados sugieren que, si bien debe profundizarse el análisis de los factores asociados con las trayectorias del autorreporte de salud, los arreglos residenciales, las múltiples enfermedades crónicas o la depresión tienen efectos longitudinales en la salud autoevaluada de los adultos mayores en México.
Dissertations / Theses on the topic "Modèle de Markov à variables latentes"
1
Matias, Catherine. "Statistique asymptotique dans des modèles à variables latentes." Habilitation à diriger des recherches, Université d'Evry-Val d'Essonne, 2008. http://tel.archives-ouvertes.fr/tel-00349639.
Full textAbstract:
Je présente dans ce manuscrit mes travaux de recherche effectués depuis la thèse. Mes thèmes de recherche sont principalement motivés par des applications en génomique ou post-génomique. Mon domaine de recherche est assez vaste, mais le dénominateur commun de mes travaux est la présence de variables latentes (non observées) dans les modèles étudiés. Mes préoccupations sont majoritairement théoriques : éudes asymptotiques, convergence des estimateurs, vitesses, identifiabilité... Les modèles considérés peuvent être aussi bien paramétriques que semi ou non paramétriques, et les outils statistiques utilisés sont donc relativement variés.Ma présentation s'organise en trois grandes thématiques : les travaux portant sur des séquences, notamment sur la modélisation de leur distribution et des processus d'évolution sous-jacents ; les travaux de statistique semi ou non paramétrique portant sur des signaux observés avec du bruit ; et enfin les travaux (en partie en cours) portant sur les graphes aléatoires.
2
Dortet-Bernadet, Vincent. "Contribution à l'étude statistique de modèles à variables latentes." Toulouse 3, 2001. http://www.theses.fr/2001TOU30135.
Full text
3
Casarin, Roberto. "Méthodes de simulation pour l'estimation bayésienne des modèles à variables latentes." Paris 9, 2007. https://portail.bu.dauphine.fr/fileviewer/index.php?doc=2007PA090056.
Full textAbstract:
Les modèles à variables latentes sont très utilisées en économétrie et statistique. Cette thèse se concentre sur l'utilisation des variables latentes dans la modélisation des mélanges des lois, dans l'analyse des séries temporelles et dans les modèles à temps continue. On suit une approche bayésienne de l'inférence fondée sur simulation. La partie recherche a été développée dans quatre chapitres. Le Chapitre 3 propose un modèle de mélange des lois alpha-stables qui prennent en compte, l'asymétrie, les queues épaisses et la multimodalité qui caractérisent les données financières. Le Chapitre 4 propose un modèle à volatilité stochastique à changements de régime avec des innovations du type queues épaisses pour le processus observable. Nous utiliserons une méthode bayésienne de filtrage par simulation, pour filtrer les processus latents et pour estimer les paramètres inconnus. Le Chapitre 5 traite l'estimation de paramètres et l'extraction de la volatilité en utilisant un nouvel algorithme SMC régularisé. Le Chapitre 6 traite l'inférence bayèsienne par Population de Monte Carlo, d'une équation différentielle stochastique, observée à temps discretLatent variable models are now very common in econometrics and statistics. This thesis mainly focuses on the use of latent variables in mixture modelling, time series analysis and continuous time models. We follow a Bayesian inference framework based on simulation methods. In the third chapter we propose alfa-stable mixtures in order to account for skewness, heavy tails and multimodality in financial modelling. Chapter four proposes a Markov-Switching Stochastic-Volatility model with a heavy-tail observable process. We follow a Bayesian approach and make use of Particle Filter, in order to filter the state and estimate the parameters. Chapter five deals with the parameter estimation and the extraction of the latent structure in the volatilities of the US business cycle and stock market valuations. We propose a new regularised SMC procedure for doing Bayesian inference. In chapter six we employ a Bayesian inference procedure, based on Population Monte Carlo, to estimate the parameters in the drift and diffusion terms of a stochastic differential equation (SDE), from discretely observed data
4
Dubarry, Cyrille. "Méthodes de lissage et d'estimation dans des modèles à variables latentes par des méthodes de Monte-Carlo séquentielles." Phd thesis, Institut National des Télécommunications, 2012. http://tel.archives-ouvertes.fr/tel-00762243.
Full textAbstract:
Les modèles de chaînes de Markov cachées ou plus généralement ceux de Feynman-Kac sont aujourd'hui très largement utilisés. Ils permettent de modéliser une grande diversité de séries temporelles (en finance, biologie, traitement du signal, ...) La complexité croissante de ces modèles a conduit au développement d'approximations via différentes méthodes de Monte-Carlo, dont le Markov Chain Monte-Carlo (MCMC) et le Sequential Monte-Carlo (SMC). Les méthodes de SMC appliquées au filtrage et au lissage particulaires font l'objet de cette thèse. Elles consistent à approcher la loi d'intérêt à l'aide d'une population de particules définies séquentiellement. Différents algorithmes ont déjà été développés et étudiés dans la littérature. Nous raffinons certains de ces résultats dans le cas du Forward Filtering Backward Smoothing et du Forward Filtering Backward Simulation grâce à des inégalités de déviation exponentielle et à des contrôles non asymptotiques de l'erreur moyenne. Nous proposons également un nouvel algorithme de lissage consistant à améliorer une population de particules par des itérations MCMC, et permettant d'estimer la variance de l'estimateur sans aucune autre simulation. Une partie du travail présenté dans cette thèse concerne également les possibilités de mise en parallèle du calcul des estimateurs particulaires. Nous proposons ainsi différentes interactions entre plusieurs populations de particules. Enfin nous illustrons l'utilisation des chaînes de Markov cachées dans la modélisation de données financières en développant un algorithme utilisant l'Expectation-Maximization pour calibrer les paramètres du modèle exponentiel d'Ornstein-Uhlenbeck multi-échelles
5
Douc, Randal. "Problèmes statistiques pour des modèles à variables latentes : propriétés asymptotiques de l'estimateur du maximum de vraisemblance." Palaiseau, Ecole polytechnique, 2001. http://www.theses.fr/2001EPXXO001.
Full textAbstract:
Un modèle autorégressif à régime markovien est un processus à temps discret à deux composantes x n, y n évoluant de la façon suivante : x n est une chaine de Markov homogène et y n suit une loi conditionnelle dépendante non seulement de x n mais aussi de y n 1, , y n 8. Le processus x n, usuellement appelé régime n'est pas observé et l'inférence doit être menée à partir du processus observable y n. Ces modèles incluent en particulier les modèles de chaines de Markov cachées utilisés en reconnaissance de la parole, économétrie, neuro-physiologie ou analyse des séries temporelles. Dans ce travail, nous prouvons consistance et normalité asymptotique de l'estimateur de maximum de vraisemblance dans le cas où les variables aléatoires cachées vivent dans un espace compact non nécessairement fini. Nous investissons deux techniques différentes, la première appliquée aux modèles de Markov cachées utilise l'ergodicité géométrique de certaines chaines de Markov étendues, et s'appuie sur une méthode proposée par Legland et Mevel (1997) dans le cas où les x k prennent un nombre fini de valeurs. Bien que cette technique semble adaptée à l'étude des estimateurs récursifs (ou l'estimateur est réévalue à chaque nouvelle observation), sa mise en oeuvre nécessite néanmoins des hypothèses relativement fortes. Une seconde approche que nous avons directement applique aux modèles autorégressifs non-linéaires a régime markovien utilise des approximations par des suites stationnaires et permet de prouver consistance et normalité asymptotique sous des hypothèses plus faibles
6
Ancelet, Sophie. "Exploiter l'approche hiérarchique bayésienne pour la modélisation statistique de structures spatiales: application en écologie des populations." Phd thesis, AgroParisTech, 2008. http://pastel.archives-ouvertes.fr/pastel-00004396.
Full textAbstract:
Dans la plupart des questions écologiques, les phénomènes aléatoires d'intérêt sont spatialement structurés et issus de l'effet combiné de multiples variables aléatoires, observées ou non, et inter-agissant à diverses échelles. En pratique, dès lors que les données de terrain ne peuvent être directement traitées avec des structures spatiales standards, les observations sont généralement considérées indépendantes. Par ailleurs, les modèles utilisés sont souvent basés sur des hypothèses simplificatrices trop fortes par rapport à la complexité des phénomènes étudiés. Dans ce travail, la démarche de modélisation hiérarchique est combinée à certains outils de la statistique spatiale afin de construire des structures aléatoires fonctionnelles "sur-mesure" permettant de représenter des phénomènes spatiaux complexes en écologie des populations. L'inférence de ces différents modèles est menée dans le cadre bayésien avec des algorithmes MCMC. Dans un premier temps, un modèle hiérarchique spatial (Geneclust) est développé pour identifier des populations génétiquement homogènes quand la diversité génétique varie continûment dans l'espace. Un champ de Markov caché, qui modélise la structure spatiale de la diversité génétique, est couplé à un modèle bivarié d'occurrence de génotypes permettant de tenir compte de l'existence d'unions consanguines chez certaines populations naturelles. Dans un deuxième temps, un processus de Poisson composé particulier,appelé loi des fuites, est présenté sous l'angle de vue hiérarchique pour décrire le processus d'échantillonnage d'organismes vivants. Il permet de traiter le délicat problème de données continues présentant une forte proportion de zéros et issues d'échantillonnages à efforts variables. Ce modèle est également couplé à différents modèles sur grille (spatiaux, régionalisés) afin d'introduire des dépendances spatiales entre unités géographiques voisines puis, à un champ géostatistique bivarié construit par convolution sur grille discrète afin de modéliser la répartition spatiale conjointe de deux espèces. Les capacités d'ajustement et de prédiction des différents modèles hiérarchiques proposés sont comparées aux modèles traditionnellement utilisés à partir de simulations et de jeux de données réelles (ours bruns de Suède, invertébrés épibenthiques du Golfe-du-Saint-Laurent (Canada)).
7
Filstroff, Louis. "Contributions to probabilistic non-negative matrix factorization - Maximum marginal likelihood estimation and Markovian temporal models." Thesis, Toulouse, INPT, 2019. http://www.theses.fr/2019INPT0143.
Full textAbstract:
La factorisation en matrices non-négatives (NMF, de l’anglais non-negative matrix factorization) est aujourd’hui l’une des techniques de réduction de la dimensionnalité les plus répandues, dont les domaines d’application recouvrent le traitement du signal audio, l’imagerie hyperspectrale, ou encore les systèmes de recommandation. Sous sa forme la plus simple, la NMF a pour but de trouver une approximation d’une matrice des données non-négative (c’est-à-dire à coefficients positifs ou nuls) par le produit de deux matrices non-négatives, appelées les facteurs. L’une de ces matrices peut être interprétée comme un dictionnaire de motifs caractéristiques des données, et l’autre comme les coefficients d’activation de ces motifs. La recherche de cette approximation de rang faible s’effectue généralement en optimisant une mesure de similarité entre la matrice des données et son approximation. Il s’avère que pour de nombreux choix de mesures de similarité, ce problème est équivalent à l’estimation jointe des facteurs au sens du maximum de vraisemblance sous un certain modèle probabiliste décrivant les données. Cela nous amène à considérer un paradigme alternatif pour la NMF, dans lequel les taches d’apprentissage se portent sur des modèles probabilistes dont la densité d’observation est paramétrisée par le produit des facteurs non-négatifs. Ce cadre général, que nous appelons NMF probabiliste, inclut de nombreux modèles à variables latentes bien connus de la littérature, tels que certains modèles pour des données de compte. Dans cette thèse, nous nous intéressons à des modèles de NMF probabilistes particuliers pour lesquels on suppose une distribution a priori pour les coefficients d’activation, mais pas pour le dictionnaire, qui reste un paramètre déterministe. L'objectif est alors de maximiser la vraisemblance marginale de ces modèles semi-bayésiens, c’est-à-dire la vraisemblance jointe intégrée par rapport aux coefficients d’activation. Cela revient à n’apprendre que le dictionnaire, les coefficients d’activation pouvant être inférés dans un second temps si nécessaire. Nous entreprenons d’approfondir l’étude de ce processus d’estimation. En particulier, deux scénarios sont envisagées. Dans le premier, nous supposons l’indépendance des coefficients d’activation par échantillon. Des résultats expérimentaux antérieurs ont montré que les dictionnaires appris via cette approche avaient tendance à régulariser de manière automatique le nombre de composantes ; une propriété avantageuse qui n’avait pas été expliquée alors. Dans le second, nous levons cette hypothèse habituelle, et considérons des structures de Markov, introduisant ainsi de la corrélation au sein du modèle, en vue d’analyser des séries temporellesNon-negative matrix factorization (NMF) has become a popular dimensionality reductiontechnique, and has found applications in many different fields, such as audio signal processing,hyperspectral imaging, or recommender systems. In its simplest form, NMF aims at finding anapproximation of a non-negative data matrix (i.e., with non-negative entries) as the product of twonon-negative matrices, called the factors. One of these two matrices can be interpreted as adictionary of characteristic patterns of the data, and the other one as activation coefficients ofthese patterns. This low-rank approximation is traditionally retrieved by optimizing a measure of fitbetween the data matrix and its approximation. As it turns out, for many choices of measures of fit,the problem can be shown to be equivalent to the joint maximum likelihood estimation of thefactors under a certain statistical model describing the data. This leads us to an alternativeparadigm for NMF, where the learning task revolves around probabilistic models whoseobservation density is parametrized by the product of non-negative factors. This general framework, coined probabilistic NMF, encompasses many well-known latent variable models ofthe literature, such as models for count data. In this thesis, we consider specific probabilistic NMFmodels in which a prior distribution is assumed on the activation coefficients, but the dictionary remains a deterministic variable. The objective is then to maximize the marginal likelihood in thesesemi-Bayesian NMF models, i.e., the integrated joint likelihood over the activation coefficients.This amounts to learning the dictionary only; the activation coefficients may be inferred in asecond step if necessary. We proceed to study in greater depth the properties of this estimation process. In particular, two scenarios are considered. In the first one, we assume the independence of the activation coefficients sample-wise. Previous experimental work showed that dictionarieslearned with this approach exhibited a tendency to automatically regularize the number of components, a favorable property which was left unexplained. In the second one, we lift thisstandard assumption, and consider instead Markov structures to add statistical correlation to themodel, in order to better analyze temporal data
8
Ridall, Peter Gareth. "Bayesian Latent Variable Models for Biostatistical Applications." Queensland University of Technology, 2004. http://eprints.qut.edu.au/16164/.
Full textAbstract:
In this thesis we develop several kinds of latent variable models in order to address three types of bio-statistical problem. The three problems are the treatment effect of carcinogens on tumour development, spatial interactions between plant species and motor unit number estimation (MUNE). The three types of data looked at are: highly heterogeneous longitudinal count data, quadrat counts of species on a rectangular lattice and lastly, electrophysiological data consisting of measurements of compound muscle action potential (CMAP) area and amplitude. Chapter 1 sets out the structure and the development of ideas presented in this thesis from the point of view of: model structure, model selection, and efficiency of estimation. Chapter 2 is an introduction to the relevant literature that has in influenced the development of this thesis. In Chapter 3 we use the EM algorithm for an application of an autoregressive hidden Markov model to describe longitudinal counts. The data is collected from experiments to test the effect of carcinogens on tumour growth in mice. Here we develop forward and backward recursions for calculating the likelihood and for estimation. Chapter 4 is the analysis of a similar kind of data using a more sophisticated model, incorporating random effects, but estimation this time is conducted from the Bayesian perspective. Bayesian model selection is also explored. In Chapter 5 we move to the two dimensional lattice and construct a model for describing the spatial interaction of tree types. We also compare the merits of directed and undirected graphical models for describing the hidden lattice. Chapter 6 is the application of a Bayesian hierarchical model (MUNE), where the latent variable this time is multivariate Gaussian and dependent on a covariate, the stimulus. Model selection is carried out using the Bayes Information Criterion (BIC). In Chapter 7 we approach the same problem by using the reversible jump methodology (Green, 1995) where this time we use a dual Gaussian-Binary representation of the latent data. We conclude in Chapter 8 with suggestions for the direction of new work. In this thesis, all of the estimation carried out on real data has only been performed once we have been satisfied that estimation is able to retrieve the parameters from simulated data. Keywords: Amyotrophic lateral sclerosis (ALS), carcinogens, hidden Markov models (HMM), latent variable models, longitudinal data analysis, motor unit disease (MND), partially ordered Markov models (POMMs), the pseudo auto- logistic model, reversible jump, spatial interactions.
9
Bry, Xavier. "Une méthodologie exploratoire pour l'analyse et la synthèse d'un modèle explicatif : l'Analyse en Composantes Thématiques." Paris 9, 2004. https://portail.bu.dauphine.fr/fileviewer/index.php?doc=2004PA090055.
Full text
10
Rastelli, Riccardo, and Nial Friel. "Optimal Bayesian estimators for latent variable cluster models." Springer Nature, 2018. http://dx.doi.org/10.1007/s11222-017-9786-y.
Full textAbstract:
In cluster analysis interest lies in probabilistically
capturing partitions of individuals, items or observations into groups, such that those belonging to the same group share similar attributes or relational profiles. Bayesian posterior samples for the latent allocation variables can be effectively obtained in a wide range of clustering models, including finite mixtures, infinite mixtures, hidden Markov models and block models for networks. However, due to the categorical nature of the clustering variables and the lack of scalable algorithms, summary tools that can interpret such samples are not available. We adopt a Bayesian decision theoretical approach to define an optimality criterion for clusterings and propose a fast and context-independent greedy algorithm to find the best allocations. One important facet of our approach is that the optimal number of groups is automatically selected, thereby solving the clustering and the model-choice problems at the same time. We consider several loss functions to compare partitions and show that our approach can accommodate a wide range of cases. Finally, we illustrate our approach on both artificial and real datasets for three different clustering models: Gaussian mixtures, stochastic block models and latent block models for networks.
Book chapters on the topic "Modèle de Markov à variables latentes"
1
Marano, Giovanni, Gianni Betti, and Francesca Gagliardi. "Latent Class Markov Models for Measuring Longitudinal Fuzzy Poverty." In Advances in Latent Variables, 73–81. Cham: Springer International Publishing, 2014. http://dx.doi.org/10.1007/10104_2014_4.
Full text
2
Le Corff, Sylvain, Gersende Fort, and Eric Moulines. "New Online EM Algorithms for General Hidden Markov Models. Application to the SLAM Problem." In Latent Variable Analysis and Signal Separation, 131–38. Berlin, Heidelberg: Springer Berlin Heidelberg, 2012. http://dx.doi.org/10.1007/978-3-642-28551-6_17.
Full text
3
"Multilevel Factor Analysis Modelling Using Markov Chain Monte Carlo Estimation." In Latent Variable and Latent Structure Models, 237–56. Psychology Press, 2014. http://dx.doi.org/10.4324/9781410602961-17.
Full text
4
"Background on latent variable andMarkov chain models." In Latent Markov Models for Longitudinal Data, 38–71. Chapman and Hall/CRC, 2012. http://dx.doi.org/10.1201/b13246-6.
Full text
5
Mooijaart, Ab, and Kees van Montfort. "Latent Markov Models for Categorical Variables and Time-Dependent Covariates." In Longitudinal Models in the Behavioral and Related Sciences, 1–17. Routledge, 2017. http://dx.doi.org/10.4324/9781315091655-1.
Full text
6
Molina, Teresita, Jorge Luis García-Alcaraz, Valeria Martínez Loya, Nadia Sofia Tanino, and Diego Tlapa. "Impact of Human Resources on Quality After Just-in-Time Implementation." In Handbook of Research on Manufacturing Process Modeling and Optimization Strategies, 235–55. IGI Global, 2017. http://dx.doi.org/10.4018/978-1-5225-2440-3.ch011.
Full textAbstract:
Nowadays maquiladoras require improving processes and reducing costs in order to stay in the market and be competitive. Just in Time (JIT), the lean manufacturing tool, works specifically on materials handling, but critical success factors (CSFs) for its implementation are unknown. For this reason, in this chapter the results of a survey applied to 372 maquiladora workers of Ciudad Juárez (México) are reported. Six hypotheses are proposed and validated through a structural equations model executed in WarpPLS 5.0® software, where four latent variables related with Management Commitment, Human Resources, Suppliers and Quality benefits in a JIT environment are associated. Direct effects, indirect effects and total effects of each one of the variables are analyzed. The results show there is enough statistical evidence to state that there is a direct and positive impact of Human Resources on the obtained Quality in a JIT environment application.
Conference papers on the topic "Modèle de Markov à variables latentes"
1
Zhu, Chen, Hengshu Zhu, Hui Xiong, Pengliang Ding, and Fang Xie. "Recruitment Market Trend Analysis with Sequential Latent Variable Models." In KDD '16: The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York, NY, USA: ACM, 2016. http://dx.doi.org/10.1145/2939672.2939689.
Full text
2
Flitti, F., and Ch Collet. "Markov Regularization of Mixture of Latent variable Models for Multi-component Image Unsupervised Joint Reduction/Segmentatin." In 2006 9th International Conference on Information Fusion. IEEE, 2006. http://dx.doi.org/10.1109/icif.2006.301667.
Full text
3
Zhou, Fan, Qiang Gao, Goce Trajcevski, Kunpeng Zhang, Ting Zhong, and Fengli Zhang. "Trajectory-User Linking via Variational AutoEncoder." In Twenty-Seventh International Joint Conference on Artificial Intelligence {IJCAI-18}. California: International Joint Conferences on Artificial Intelligence Organization, 2018. http://dx.doi.org/10.24963/ijcai.2018/446.
Full textAbstract:
Trajectory-User Linking (TUL) is an essential task in Geo-tagged social media (GTSM) applications, enabling personalized Point of Interest (POI) recommendation and activity identification. Existing works on mining mobility patterns often model trajectories using Markov Chains (MC) or recurrent neural networks (RNN) -- either assuming independence between non-adjacent locations or following a shallow generation process. However, most of them ignore the fact that human trajectories are often sparse, high-dimensional and may contain embedded hierarchical structures. We tackle the TUL problem with a semi-supervised learning framework, called TULVAE (TUL via Variational AutoEncoder), which learns the human mobility in a neural generative architecture with stochastic latent variables that span hidden states in RNN. TULVAE alleviates the data sparsity problem by leveraging large-scale unlabeled data and represents the hierarchical and structural semantics of trajectories with high-dimensional latent variables. Our experiments demonstrate that TULVAE improves efficiency and linking performance in real GTSM datasets, in comparison to existing methods.
4
Li, Yaqiong, Xuhui Fan, Ling Chen, Bin Li, Zheng Yu, and Scott A. Sisson. "Recurrent Dirichlet Belief Networks for interpretable Dynamic Relational Data Modelling." In Twenty-Ninth International Joint Conference on Artificial Intelligence and Seventeenth Pacific Rim International Conference on Artificial Intelligence {IJCAI-PRICAI-20}. California: International Joint Conferences on Artificial Intelligence Organization, 2020. http://dx.doi.org/10.24963/ijcai.2020/342.
Full textAbstract:
The Dirichlet Belief Network~(DirBN) has been recently proposed as a promising approach in learning interpretable deep latent representations for objects. In this work, we leverage its interpretable modelling architecture and propose a deep dynamic probabilistic framework -- the Recurrent Dirichlet Belief Network~(Recurrent-DBN) -- to study interpretable hidden structures from dynamic relational data. The proposed Recurrent-DBN has the following merits: (1) it infers interpretable and organised hierarchical latent structures for objects within and across time steps; (2) it enables recurrent long-term temporal dependence modelling, which outperforms the one-order Markov descriptions in most of the dynamic probabilistic frameworks; (3) the computational cost scales to the number of positive links only. In addition, we develop a new inference strategy, which first upward-and-backward propagates latent counts and then downward-and-forward samples variables, to enable efficient Gibbs sampling for the Recurrent-DBN. We apply the Recurrent-DBN to dynamic relational data problems. The extensive experiment results on real-world data validate the advantages of the Recurrent-DBN over the state-of-the-art models in interpretable latent structure discovery and improved link prediction performance.