Overførsel af læring med LDA-emnemodel
Overførsel af læring med LDA-emnemodel anvender viden fra et velundersøgt kildedomæne til at guide inferens med Latent Dirichlet Allocation (LDA) på et måldomæne med begrænsede data. Ved at indsprøjte kildedrevne emnepriorer i Dirichlet-hyperparametrene producerer metoden sammenhængende, domænerelevante emner, selv når teksten i måldomænet er begrænset, hvilket reducerer mængden af mærket eller umærket data, der kræves for meningsfulde resultater.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Chen, Z., Mukherjee, A., Liu, B., Hsu, M., Malas, M., & Wang, S. (2013). Leveraging multi-domain prior knowledge in topic models. In Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence (IJCAI-13), pp. 2071–2077. link ↗
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Transfer Learning with Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/da/deep-learning/transfer-learning-with-lda-topic-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Finjusteret LDA-emnemodelDyb læring↔ compare
- LDA Emne-modelDyb læring↔ compare
- Emne-modelleringDyb læring↔ compare
- Overførselslæring med NMF emnemodelleringDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →