Monimodaalinen aihemallinnus
Monimodaalinen aihemallinnus löytää piilevän temaattisen rakenteen, joka on yhteinen useille data-modaliteeteille – esimerkiksi samanaikaisesti esiintyville sanoille ja kuville – oppimalla yhteisen probabilistisen esityksen, joka kohdistaa aiheet modaliteettien välillä. Se laajentaa klassisia vain tekstiin perustuvia lähestymistapoja, kuten LDA:ta, asetelmiin, joissa jokainen dokumentti tai havainto koostuu heterogeenisista datatyypeistä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Blei, D. M., & Jordan, M. I. (2003). Modeling annotated data. Proceedings of the 26th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, 127–134. DOI: 10.1145/860435.860460 ↗
- Ramage, D., Dumais, S., & Liebling, D. (2010). Characterizing microblogs with topic models. Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media, 130–137. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Multimodal Topic Modeling (Joint Probabilistic Topic Discovery across Multiple Modalities). ScholarGate. https://scholargate.app/fi/deep-learning/multimodal-topic-modeling
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.
- Latent Dirichlet Allocation (LDA) -aiheiden malliSyväoppiminen↔ compare
- Monimuotoinen BERT-pohjainen luokitteluSyväoppiminen↔ compare
- Multimodaaliset lauseupotuksetSyväoppiminen↔ compare
- Monimodaalinen muuntajaSyväoppiminen↔ compare
- NMF-aihemalliSyväoppiminen↔ compare
- AihemallinnusSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →