Aprendizaje por Transferencia con Modelo de Tópicos NMF
El Aprendizaje por Transferencia con Modelo de Tópicos NMF aplica conocimiento de un dominio fuente etiquetado o rico en datos para mejorar el descubrimiento de tópicos mediante Factorización de Matrices No Negativas (NMF) en un dominio objetivo de bajos recursos. Al inicializar o restringir la matriz base de NMF con tópicos del dominio fuente, el modelo descubre tópicos coherentes en el dominio objetivo incluso cuando los documentos de este son escasos o no están etiquetados.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/es/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.
- Modelo de Tópicos NMF Adaptativo al DominioAprendizaje profundo↔ compare
- Modelo de Tópicos LDAAprendizaje profundo↔ compare
- Modelo de Tópicos NMFAprendizaje profundo↔ compare
- Modelado de TemasAprendizaje profundo↔ compare
- Aprendizaje por Transferencia con Modelo de Tópicos LDAAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →