そこで，時系列のラベル有り・ラベル無し混在データを取り扱うために， 時系列認識手法として広く使われている隠れマルコフモデル(HMM)を拡張した， ETM-HMMを提案する． ETM-HMMは通常のクラスごとに独立なHMMが，それぞれの出力分布を特定クラスのデー タのみで学習するのに対し，出力分布を全クラスで共有することによって 分布推定に全ての訓練データを利用することができる． そして，ETM-HMMの学習アルゴリズムとして拡張Baum-Welchアルゴリズムを導出する． Baum-Welchアルゴリズムは，状態系列を隠れ変数として取り扱うが，拡張 Baum-Welchアルゴリズムでは，さらにクラスラベルも隠れ変数として定式化を行う． 提案手法におけるラベル有り・ラベル無し混在データを用いた学習の効果を， 人工データ及び手話データを用いた認識実験により評価した． その結果，ETM-HMMの学習における訓練データへのラベル無しデータの追加が， 少数のラベル有りデータのみで学習されたモデルの 認識性能を改善することを確認した．
本発表ではモデルの訓練データにおけるラベル有り・ラベル無しデータの 混在の意図を概説し， 提案法であるETM-HMMと， その学習アルゴリズムである拡張Baum-Welchアルゴリズムを紹介する． その上でラベル有り・ラベル無し混在時系列データの効果に関する実験結果を示し， ラベル無し時系列データを用いる利点と，利用に当っての問題点について考察する．