隱馬可夫模型（hidden Markov model）
/ HID-un MAR-kof MOD-ul /
隱馬可夫模型，描述這樣一種情形：某樣東西正沿著一串你看不見的隱藏狀態在變化，但它每一步都會留下一個可見的線索。設想隔壁房間裡有位朋友，你看不到他的心情（高興、疲憊、煩躁），卻能聽見他在哼歌、嘆氣，還是沉默。你試著從這串聲音裡，推斷出那看不見的心情序列。「馬可夫」這一部分，是一個化簡的承諾：明天的心情只取決於今天的，而與整段歷史無關。
模型有兩個活動部件。轉移規則掌管隱藏狀態如何從一步漂移到下一步——高興的心情有多大可能保持高興、又有多大可能滑向疲憊。發射規則掌管每個隱藏狀態如何產生它那可見的線索——疲憊的心情有多大可能引出一聲嘆息。給定一段記錄下來的線索序列，經典而高效的演算法便能算出整段序列的機率、找出隱藏狀態最可能的那一條路徑，並單憑資料把規則學出來。
它為何重要：隱馬可夫模型曾在數十年間是語音辨識的主力，至今仍驅動著DNA中的基因查找、詞性標註與活動追蹤——凡是有一個隱藏過程在時間中展開、又只透過帶雜訊的信號現身之處，都有它。誠實的局限，源自那個馬可夫承諾：由於假定下一個狀態只記得緊鄰的過去、忘掉其餘一切，模型在處理長程結構時便力不從心。在豐富的資料上，現代神經序列模型常常勝過它；但隱馬可夫模型仍因「可解釋、省資料、可精確求解」而備受珍視。
從海藻推斷天氣。你看不見每天是晴是雨（隱藏狀態），但掛在屋外的一片海藻是乾、是潮、還是濕透（觀測）。濕透的海藻讓「雨」變得可能，乾燥則讓「晴」變得可能。給定一週的海藻讀數——乾、潮、濕透、濕透、潮——模型便能重建出最可能的那一串隱藏天氣。
隱馬可夫模型用維特比演算法，從一串帶雜訊的線索（海藻）裡，推斷出一段看不見的序列（天氣）。
馬可夫假設——下一個狀態只取決於當前那個——既是模型的長處，也是它的天花板。它讓計算變得精確而廉價，卻也刻意遺忘了長程的上下文，因此隱馬可夫模型無法像現代基於注意力的模型那樣，捕捉跨越許多步的依賴關係。