Overførselslæring med NMF emnemodellering
Overførselslæring med NMF emnemodellering anvender viden fra et mærket eller dataintensivt kildedomæne til at forbedre Non-Negative Matrix Factorization (NMF) emneopdagelse i et måldomæne med få ressourcer. Ved at initialisere eller begrænse NMF basismatricen med kildedomæneemner, opdager modellen sammenhængende målemner, selv når måldomænedokumenter er knappe eller umærkede.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/da/deep-learning/transfer-learning-with-nmf-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.
- Domæne-adaptiv NMF emnemodelDyb læring↔ compare
- LDA Emne-modelDyb læring↔ compare
- NMF Emne-modelDyb læring↔ compare
- Emne-modelleringDyb læring↔ compare
- Overførsel af læring med LDA-emnemodelDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →