Itseohjautuva LDA-aihemalli
Itseohjautuva LDA yhdistää Latent Dirichlet Allocation -mallin todennäköisyyspohjaisen generatiivisen kehyksen itseohjautuviin esikoulutussignaaleihin – kuten maskattujen sanojen ennustamiseen tai dokumenttien kontrastiivisiin tavoitteisiin – ohjaamaan aiheiden löytämistä ilman käsin merkittyä opetusdataa. Tuloksena on aihe-esityksiä, jotka ovat samanaikaisesti jakautumistilastojen pohjalta muodostuneita ja raakatekstistä opitun kielirakenteen rikastamia.
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., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
- Meng, Y., Huang, J., Zhang, Y., & Han, J. (2022). Topic Discovery via Latent Space Clustering of Pretrained Language Model Representations. Proceedings of WWW 2022, ACM. DOI: 10.1145/3485447.3512034 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/fi/deep-learning/self-supervised-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.
- BERT-pohjainen luokitteluSyväoppiminen↔ compare
- Latent Dirichlet Allocation (LDA) -aiheiden malliSyväoppiminen↔ compare
- NMF-aihemalliSyväoppiminen↔ compare
- Puoliohjattu LDA-aihemalliSyväoppiminen↔ compare
- LauseupotuksetSyväoppiminen↔ compare
- AihemallinnusSyväoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →