Modèle thématique LDA multimodal
Le LDA multimodal étend l'Allocation de Dirichlet Latente (Latent Dirichlet Allocation, LDA) pour modéliser conjointement plusieurs modalités de données — le plus souvent du texte et des images — au sein d'un cadre probabiliste thématique unique. Chaque document ou instance de données est représenté comme un mélange de sujets latents partagés entre les modalités, permettant au modèle de découvrir des thèmes cohérents qui alignent simultanément le contenu visuel et linguistique.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
- Barnard, K., Duygulu, P., Forsyth, D., de Freitas, N., Blei, D. M. & Jordan, M. I. (2003). Matching words and pictures. Journal of Machine Learning Research, 3, 1107–1135. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Multimodal Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/fr/deep-learning/multimodal-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.
- Modèle de Topics LDAApprentissage profond↔ compare
- Classification multimodale basée sur BERTApprentissage profond↔ compare
- Modélisation thématique multimodaleApprentissage profond↔ compare
- Transformeur MultimodalApprentissage profond↔ compare
- Modèle thématique NMFApprentissage profond↔ compare
- Modélisation par sujetsApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →