Ülekandeõpe NMF-teemamudeliga
Ülekandeõpe NMF-teemamudeliga rakendab teadmisi märgistatud või andmerikkast lähtedomeenist, et parandada mittenegatiivse maatriksfaktorisatsiooni (NMF) teemade avastamist ressursivaeses sihtdomeenis. Initialiseerides või piirates NMF-i alusmaatriksit lähtedomeeni teemadega, avastab mudel sidusaid sihtteemasid isegi siis, kui sihtdomeeni dokumente on vähe või need on märgistamata.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/et/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.
- Domeeniadaptiivne NMF-teemamudelSüvaõpe↔ compare
- LDA teemamudelSüvaõpe↔ compare
- NMF teemamudelSüvaõpe↔ compare
- TeemamodelleerimineSüvaõpe↔ compare
- Ülekandeõpe LDA teemamudeligaSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →