Siirtovaikutteinen NMF-aihemallinnus
Siirtovaikutteinen NMF-aihemallinnus (Transfer Learning with NMF Topic Model) soveltaa tietoa merkityllä tai datarikkaalta lähdealueelta parantaakseen ei-negatiivisen matriisihajotelman (Non-Negative Matrix Factorization, NMF) aiheiden löytämistä vähäresurssisella kohdealueella. Alustamalla tai rajoittamalla NMF:n perusmatriisia lähdealueen aiheilla malli löytää johdonmukaisia kohdealueen aiheita, vaikka kohdealueen dokumentit olisivat vähäisiä tai merkitsemättömiä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fi/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.
- Aluekohtainen NMF-aihemalliSyväoppiminen↔ compare
- Latent Dirichlet Allocation (LDA) -aiheiden malliSyväoppiminen↔ compare
- NMF-aihemalliSyväoppiminen↔ compare
- AihemallinnusSyväoppiminen↔ compare
- Siirto-oppiminen LDA-aihemallillaSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →