本研究探讨了数据分析师在协作平台上的学习与生产力动态变化，采用隐马尔可夫模型跟踪学习状态。结果表明，分析师的生产力随着学习状态的提升而增加，初学者获益最大，为系统设计和个性化学习提供了启示。

本文提出Chain-of-Intent机制，结合隐马尔可夫模型与大型语言模型，生成多语言多轮对话数据集。引入MINT-CL框架以提高意图分类的准确性，并发布MINT-E语料库，减少数据生成的工作量。

本研究强调顺序上下文在行为建模中的重要性，提出了一种基于隐马尔可夫模型的序列建模框架，能够有效处理不平衡和稀缺数据。

本研究提出了一种基于隐马尔可夫模型的无学习方法，解决了自主体在动态环境中识别运动物体的难题，显著提高了运动物体分割的准确性，实验结果优于现有技术。

本文介绍了一种利用隐马尔可夫模型和变分自编码器建模人机互动的方法。通过学习互动动力学和人类观测结果，预测机器人轨迹并实现柔顺的互动。实验证明该方法在人形机器人上有效，并具有泛化性能和优势。

本文介绍了学习隐马尔可夫模型的方法，包括生成缺失数据位置的通用模型和两种学习算法。对这些算法在不同情况下的重建精度和鲁棒性进行了评估和比较。

本文介绍了一种利用隐马尔可夫模型和变分自编码器建模人机互动的方法。通过学习互动动力学和人类观测结果，预测机器人轨迹并实现柔顺的互动。实验证明该方法在人形机器人上具有良好的泛化性能。

本研究提出了一种结合卷积神经网络和隐马尔可夫模型的有效方法，用于对视频胶囊内镜图像进行肠胃分类。该方法在罗得岛胃肠病学数据集上达到了98.04%的准确率，适用于低功耗设备。

该研究使用隐马尔可夫模型和GPU加速的前向后向算法进行神经网络训练，结果表明转移模型训练对识别性能没有提高，但对齐质量有积极影响，生成的对齐可用于维特比训练。