{rfName}
Au

Indexado en

Licencia y uso

Icono OpenAccess

Citaciones

30

Altmetrics

Investigadores/as Institucionales

Puerto-Santana, CAutor (correspondencia)Larranaga, PAutor o CoautorBielza, CAutor o Coautor

Compartir

22 de agosto de 2022
Publicaciones
>
Artículo
Sí

Autoregressive Asymmetric Linear Gaussian Hidden Markov Models

Publicado en: IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE. 44 (9): 4642-4658 - 2022-09-01 44(9), DOI: 10.1109/TPAMI.2021.3068799

Autores:

Puerto-Santana, C; Larrañaga, P; Bielza, C
[+]

Afiliaciones

Aingura IIoT, San Sebastian 20009, Spain - Autor o Coautor
Univ Politecn Madrid, Madrid 28040, Spain - Autor o Coautor

Resumen

In a real life process evolving over time, the relationship between its relevant variables may change. Therefore, it is advantageous to have different inference models for each state of the process. Asymmetric hidden Markov models fulfil this dynamical requirement and provide a framework where the trend of the process can be expressed as a latent variable. In this paper, we modify these recent asymmetric hidden Markov models to have an asymmetric autoregressive component in the case of continuous variables, allowing the model to choose the order of autoregression that maximizes its penalized likelihood for a given training set. Additionally, we show how inference, hidden states decoding and parameter learning must be adapted to fit the proposed model. Finally, we run experiments with synthetic and real data to show the capabilities of this new model.
[+]

Palabras clave

AlgorithmAlgorithmsAuto-regressiveAutoregressionAutoregressiveBayes methodsBayesian networksContinuous variablesData modelsGraphical modelsHidden markov modelsIndependenceInferenceInference modelsInformation asymmetriesLatent variableLinear gaussianMarkov chainMarkov chainsMarkov processesMathematical modelModel selectionNormal distributionParameter learningPenalized likelihoodPredictionProbabilistic logicRegression analysisStructure learningSynthetic and real dataTime seriesTime-seriesTrellis codesYule-walker equations

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2022, se encontraba en la posición 2/275, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Engineering, Electrical & Electronic. Destacable, igualmente, el hecho de que la Revista está posicionada por encima del Percentil 90.

Independientemente del impacto esperado determinado por el canal de difusión, es importante destacar el impacto real observado de la propia aportación.

Según las diferentes agencias de indexación, el número de citas acumuladas por esta publicación hasta la fecha 2026-04-09:

  • Google Scholar: 10
  • WoS: 8
  • Scopus: 11
[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-09:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 11.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 11 (PlumX).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/72670/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 216
  • Descargas: 45
[+]

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (PUERTO SANTANA, CARLOS ESTEBAN) y Último Autor (BIELZA LOZOYA, MARIA CONCEPCION).

el autor responsable de establecer las labores de correspondencia ha sido PUERTO SANTANA, CARLOS ESTEBAN.

[+]

Reconocimientos ligados al ítem

This work was supported by the Spanish Centre for the Development of Industrial Technology (CDTI) through the IDI-20180156 LearnIIoT project, in part by the Spanish Ministry of Science, Innovation and Universities through the PID2019-109247GB-I00 and RTC2019-006871-7 DSTREAMS Project, and from the project BAYES-CLIMA-NEURO, BBVA Foundation's Grant (2019). The authors would like to thank Aingura IIoT for its support related to filtering the datasets to perform the corresponding experiments in the case of ball-bearing degradation case.
[+]