伊辛模型装进隐马尔可夫链：伪似然绕开配分函数，美国县域枪击死亡周序列分出四段状态
核心概要
隐马尔可夫伊辛模型把统计物理中的伊辛模型作为隐马尔可夫链的发射分布，用来刻画一张二元网络随时间发生的状态切换；伊辛模型的归一化常数随节点数指数增长，拟合因此改用伪似然完成 Baum-Welch 的再估计，并给出伪似然算法的有效性、可辨识性与大网络一致性结论。模型进一步引入外生协变量，形成隐马尔可夫自 Logistic 模型，并在 2021 至 2025 年美国本土 3109 个县的每周枪击死亡事件序列上识别出暴力活动的状态变化。
深度剖析
隐马尔可夫链的每一步观测不再取自一个自由设定的离散分布，而取自一张二元网络上的伊辛模型，于是相邻节点之间的依赖被写进发射分布，而不是留给观测向量自己去表达。 此前隐马尔可夫模型的观测空间若由长度为 n 的二元向量构成，就有 2 的 n 次方种取值，刻画任意离散分布所需参数随之指数增长；伊辛模型用节点权重和边权重把这一参数规模压下来。 在 3×3 网格、2 个状态的模拟中，直接最大化似然（精确计算对数配分函数）与最大化伪似然给出非常接近的拟合：两种方法得到的转移矩阵与伊辛参数接近，Viterbi 路径与真实状态序列的调整兰德指数也相近。
拟合不再依赖伊辛模型的归一化常数，而是把发射概率换成伪似然，再照常跑 Baum-Welch 的前向、后向与再估计步骤。 伪似然把每个节点的取值条件在其余节点上，用局部场代替对整个构型空间的求和，从而避开随节点数指数增长的配分函数。 在 3×3 网格的同一模拟中，基于似然的 Baum-Welch 用了 16.1 秒收敛，伪似然拟合则瞬时完成；在 64×64 网格的 happy-sad 模拟中，低相关设置下拟合 20 个模型共耗时 19 分 37 秒，高相关设置下为 54 分 32 秒。
启示与展望
已展示的范围是模拟的方形网格伊辛数据，以及 2021 至 2025 年美国本土县域每周枪击死亡事件的二元序列；真实数据分析被定位为概念验证。协变量在真实数据中取时间不变形式，原因是数据限制。
可辨识性结论依赖发射分布线性独立或互不相同、转移矩阵满秩、马尔可夫链平稳等条件，放宽平稳性或线性独立需要更长的观测链。大网络一致性依赖最大度有界、KL 散度有下界与状态分离等假设。真实数据中放开全部边参数时，伪似然估计在经典似然下明显变差，因此分析只采用共享边参数；作者也提醒自 Logistic 模型中参数符号的解释需要谨慎。