Un modèle statistique de séquences dans lequel un processus d'états non observés évolue selon la propriété de Markov et chaque observation est générée conditionnellement à l'état caché courant ; spécifié par des probabilités initiales d'état, une matrice de transition d'états et des distributions d'émission, utilisé pour l'inférence d'états, la segmentation et l'estimation des paramètres par vraisemblance.

Principe

Parce que les états cachés forment une chaîne de Markov et que les observations sont conditionnellement indépendantes donné l'état courant, des algorithmes efficaces (forward–backward, Viterbi, Baum–Welch) permettent de calculer la vraisemblance de la séquence, les probabilités a posteriori d'état et le chemin d'états le plus probable à partir des observations.

Démonstration

Scénario illustratif : des capteurs portés produisent une série temporelle de mesures de mouvement. Modèle : un HMM avec états cachés {Repos, Marche, Course} et distributions d'émission conditionnelles aux états pour des caractéristiques du capteur. Reconnaissance : donnée une séquence d'observations, calculer P(état_t | observations) et le chemin Viterbi. Action : étiqueter des segments d'activité et déclencher des alertes selon le contexte. Conséquence : le HMM fournit une séquence d'états segmentée et probabiliste même si les états véritables sont non observés.

Mauvaise application

Supposer que le processus d'observation est indépendant des observations antérieures au‑delà de ce que l'état caché courant implique, ou présumer une propriété de Markov d'ordre 1 alors que le processus réel a une mémoire plus longue. L'erreur consiste à confondre une commodité de modélisation avec une caractéristique avérée du processus générateur de données.

Conséquence

Quand les hypothèses sont raisonnablement vraies, les HMM offrent une estimation d'état et une segmentation calculables ; si elles sont violées, les états et la chronologie inférés peuvent être biaisés, conduisant à des étiquetages erronés ou à des décisions en aval incorrectes.

Inversion

Si le processus latent présente des dépendances à longue portée, des probabilités de transition non stationnaires, des états cachés continus ou des covariables temporelles fortes, les hypothèses HMM échouent et des modèles alternatifs (Markov d'ordre supérieur, modèles d'état‑espace, systèmes dynamiques linéaires commutés) s'imposent.

Limite

Clairement dans le champ : problèmes de séquences en temps discret avec un petit ensemble fini d'états latents et des émissions conditionnelles. Cas limite : état continu ou temps de séjour dépendant de la durée (semi‑Markov). Clair hors champ : modèles où tous les états sont directement observés (chaîne de Markov simple) ou où la dépendance ne peut être capturée par une chaîne de Markov latente.

Tension sémantique

Compromis entre simplicité du modèle et tractabilité (Markov d'ordre 1 et indépendance conditionnelle) et la nécessité de représenter dépendances temporelles complexes ou non‑stationnarités réelles.

Synthèse

Les HMM rendent explicite la structure latente et permettent un décodage probabiliste raisonné des séquences ; leur robustesse dépend de la correspondance entre hypothèses Markov/indépendance conditionnelle et la dynamique temporelle réelle.