یادگیری انتقالی با مدل موضوعی NMF
یادگیری انتقالی با مدل موضوعی NMF، دانش را از یک دامنه منبع برچسبدار یا غنی از داده به کار میگیرد تا کشف موضوعی فاکتورسازی ماتریس نامنفی (NMF) را در یک دامنه هدف با منابع کم بهبود بخشد. با مقداردهی اولیه یا محدود کردن ماتریس پایه NMF با موضوعات دامنه منبع، مدل موضوعات هدف منسجم را حتی زمانی که اسناد دامنه هدف کمیاب یا بدون برچسب هستند، کشف میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fa/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.
- مدل موضوعی NMF با انطباق دامنهیادگیری عمیق↔ compare
- مدل موضوعی LDAیادگیری عمیق↔ compare
- مدل موضوعی NMFیادگیری عمیق↔ compare
- مدلسازی موضوعییادگیری عمیق↔ compare
- یادگیری انتقالی با مدل موضوعی LDAیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →