Itseohjautuva NMF-aihemalli
Itseohjautuva NMF-aihemalli (NMF) laajentaa klassista ei-negatiivista matriisihajotelmaa (Non-negative Matrix Factorization) aiheiden löytämiseksi integroimalla itseohjautuvan oppimisen signaaleja – kuten maskattujen sanojen rekonstruktiota tai kontrastiivisia tavoitteita – NMF-optimointiin, tuottaen koherentimpia ja semanttisesti merkityksellisempiä aiheita tekstiaineistoista ilman ihmisen merkitsemää dataa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Shi, T., Guo, X., Lv, J., & Yu, P. S. (2022). Self-supervised NMF-based graph contrastive learning for semi-supervised node classification. In Proceedings of the 36th AAAI Conference on Artificial Intelligence. link ↗
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fi/deep-learning/self-supervised-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.
- Latent Dirichlet Allocation (LDA)Koneoppiminen↔ compare
- Ei-negatiivinen matriisihajotelma (NMF)Koneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →