Ein statistisches Sequenzmodell, bei dem ein nicht beobachteter (versteckter) Zustandsprozess gemäß Markov‑Eigenschaft evolviert und jede beobachtete Ausgabe bedingt vom aktuellen versteckten Zustand erzeugt wird; formal spezifiziert durch Anfangszustandswahrscheinlichkeiten, Übergangsmatrix und Emissionsverteilungen; verwendet für Zustandsinferenz, Segmentierung und parameterbasierte Likelihood‑Schätzung.

Prinzip

Da die versteckten Zustände einer Markow‑Kette folgen und die Beobachtungen bedingt vom aktuellen Zustand unabhängig sind, erlauben effiziente Algorithmen (Forward‑Backward, Viterbi, Baum‑Welch) die Berechnung von Sequenz‑Likelihoods, posterioren Zustandswahrscheinlichkeiten und dem wahrscheinlichsten Zustandsweg aus Beobachtungen.

Demonstration

Illustratives Szenario: Wearables liefern eine Zeitreihe von Bewegungsmerkmalen. Modell: HMM mit verborgenen Zuständen {Ruhe, Gehen, Laufen} und zustandsabhängigen Emissionsverteilungen für Sensorfeatures. Erkennen: gegebene Beobachtungssequenz, Berechnung von P(Zustand_t | Beobachtungen) und des Viterbi‑Pfads. Handlung: Segmentierung der Aktivität und Auslösung kontextabhängiger Alarme. Folge: Das HMM liefert eine segmentierte, probabilistisch fundierte Zustandsfolge, obwohl die wahren Zustände unbeobachtet sind.

Fehlanwendung

Anzunehmen, die Beobachtungen seien unabhängig von früheren Beobachtungen jenseits dessen, was der aktuelle Zustand impliziert, oder einen Markow‑Rang‑1 anzusetzen, obwohl der Prozess Langzeitgedächtnis hat. Der Fehler besteht darin, Modellkonvenienz für eine empirische Charakteristik zu halten.

Konsequenz

Bei annähernder Erfüllung der Voraussetzungen liefern HMMs handhabbare Zustandsabschätzungen und Segmentierungen; bei Verletzung der Annahmen sind die inferierten Zustände und Zeitpunkte verzerrt, was zu fehlerhaften Labels oder falschen Folgerungen führt.

Umkehrung

Weist der latente Prozess Langzeitabhängigkeiten, nichtstationäre Übergänge, kontinuierliche Zustände oder starke zeitvariante Kovariaten auf, versagen HMM‑Annahmen und alternative Modelle (höherordniges Markow, Zustandsraummodelle, switching lineare dynamische Systeme) sind nötig.

Abgrenzung

Klar innerhalb: diskrete Zeit, endliche Menge latenter Zustände, emissionsbedingte Unabhängigkeit. Randfall: kontinuierliche Zustände oder dauersensitive Übergangszeiten (semi‑Markow). Klar außerhalb: vollständige Beobachtbarkeit aller Zustände (einfache Markow‑Kette) oder Abhängigkeiten, die nicht durch eine latente Markow‑Kette erfasst werden können.

Semantische Spannung

Zwischen Modellvereinfachung/Trakierbarkeit (Markow‑Annahmen) und realistischer Abbildung komplexer zeitlicher Abhängigkeiten besteht ein Spannungsverhältnis.

Synthese

HMMs machen latente Prozesse explizit und ermöglichen eine prinzipielle probabilistische Dekodierung von Sequenzen; ihre Angemessenheit beruht auf Übereinstimmung der Markow‑ und Unabhängigkeitsannahmen mit der realen Dynamik.