Εκμάθηση Μεταφοράς με Μοντέλο Θέματος NMF
Η Εκμάθηση Μεταφοράς με Μοντέλο Θέματος NMF εφαρμόζει γνώση από μια πηγαία περιοχή (domain) με ετικέτες ή πλούσια σε δεδομένα για να βελτιώσει την ανακάλυψη θεμάτων με Μη-Αρνητική Παραγοντοποίηση Μήτρας (Non-Negative Matrix Factorization - NMF) σε μια περιοχή-στόχο με χαμηλούς πόρους. Αρχικοποιώντας ή περιορίζοντας τη μήτρα βάσης NMF με θέματα από την πηγαία περιοχή, το μοντέλο ανακαλύπτει συνεκτικά θέματα-στόχους ακόμη και όταν τα έγγραφα της περιοχής-στόχου είναι σπάνια ή χωρίς ετικέτες.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Χάρτης μεθόδων
Η γειτονιά των σχετιζόμενων μεθόδων — επιλέξτε έναν κόμβο για εξερεύνηση.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/el/deep-learning/transfer-learning-with-nmf-topic-model
Ποια μέθοδος;
Τοποθετήστε αυτή τη μέθοδο δίπλα στις πιο συγγενείς της και διαβάστε τις παράλληλα — η βιβλιοθήκη απλώνει τα βιβλία στο τραπέζι· η επιλογή είναι δική σας.
- Μοντέλο Θέματος NMF Προσαρμοσμένο στο ΠεδίοΒαθιά Μάθηση↔ σύγκριση
- Μοντέλο Θεματικής Ενότητας LDAΒαθιά Μάθηση↔ σύγκριση
- Μοντέλο Θεμάτων NMFΒαθιά Μάθηση↔ σύγκριση
- Μοντελοποίηση ΘεμάτωνΒαθιά Μάθηση↔ σύγκριση
- Εκμάθηση με Μεταφορά με Μοντέλο Θέματος LDAΒαθιά Μάθηση↔ σύγκριση
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →