Modèle de Topics LDA Auto-supervisé
Le LDA auto-supervisé combine le cadre génératif probabiliste de l'Allocation de Dirichlet Latente avec des signaux de pré-entraînement auto-supervisés — tels que la prédiction de mots masqués ou des objectifs de documents contrastifs — pour guider la découverte de topics sans nécessiter de données d'entraînement étiquetées manuellement. Le résultat est des représentations de topics qui sont simultanément ancrées dans les statistiques distributionnelles et enrichies par la structure linguistique apprise à partir de texte brut.
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., 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/fr/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.
- Classification basée sur BERTApprentissage profond↔ compare
- Modèle de Topics LDAApprentissage profond↔ compare
- Modèle thématique NMFApprentissage profond↔ compare
- Modèle thématique LDA semi-superviséApprentissage profond↔ compare
- Plongements de phrasesApprentissage profond↔ compare
- Modélisation par sujetsApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →