Přenosové učení s NMF topic model
Přenosové učení s NMF topic model aplikuje znalosti ze zdrojové domény se štítky nebo bohatými daty k vylepšení objevování témat pomocí Non-Negative Matrix Factorization (NMF) v cílové doméně s omezenými zdroji. Inicializací nebo omezením bázové matice NMF tématy ze zdrojové domény model objevuje koherentní cílová témata, i když dokumentů v cílové doméně je málo nebo jsou neoznačené.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Mapa metod
Okolí příbuzných metod — vyberte uzel, který chcete prozkoumat.
Zdroje
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
- Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788–791. DOI: 10.1038/44565 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/cs/deep-learning/transfer-learning-with-nmf-topic-model
Která metoda?
Postavte tuto metodu vedle jejích nejbližších příbuzných a čtěte je vedle sebe — knihovna položí knihy na stůl; volba je na vás.
- Doménově adaptivní NMF topic modelováníHluboké učení↔ porovnat
- Model témat LDAHluboké učení↔ porovnat
- Model témat NMFHluboké učení↔ porovnat
- Modelování tématHluboké učení↔ porovnat
- Přenosové učení s LDA Topic ModelHluboké učení↔ porovnat
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →