Ülekandeõpe LDA teemamudeliga
Ülekandeõpe LDA teemamudeliga rakendab hästi uuritud lähtedomeenist saadud teadmisi, et suunata Latent Dirichlet Allocation (LDA) järeldusi vähese andmega sihtdomeenis. Lähtedomeenist tuletatud teemapriioride süstimisega Dirichlet'i hüperparameetritesse toodab meetod koherentsed, domeeniga seotud teemad isegi siis, kui sihtdomeeni tekst on piiratud, vähendades seeläbi tähenduslike tulemuste saavutamiseks vajaliku märgistatud või märkimata andmete mahtu.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Transfer Learning with Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/et/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.
- Fine-Tuned LDA TeemamudelSüvaõpe↔ compare
- LDA teemamudelSüvaõpe↔ compare
- TeemamodelleerimineSüvaõpe↔ compare
- Ülekandeõpe NMF-teemamudeligaSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →