Transfer Learning mit NMF-Themenmodell
Transfer Learning mit NMF-Themenmodell (Transferlernen mit nicht-negativer Matrixfaktorisierung) wendet Wissen aus einem gelabelten oder datenreichen Quelldomain an, um die Themenentdeckung mittels nicht-negativer Matrixfaktorisierung (NMF) in einem ressourcenarmen Zieldomain zu verbessern. Durch die Initialisierung oder Beschränkung der NMF-Basismatrix mit Themen aus dem Quelldomain entdeckt das Modell kohärente Zielthemen, selbst wenn Dokumente im Zieldomain spärlich oder ungelabelt sind.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/de/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.
- Domänenadaptives NMF-ThemenmodellDeep Learning↔ compare
- LDA-ThemenmodellDeep Learning↔ compare
- NMF-ThemenmodellDeep Learning↔ compare
- ThemenmodellierungDeep Learning↔ compare
- Transfer Learning mit LDA-ThemenmodellDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →