Modélisation thématique auto-supervisée

La modélisation thématique auto-supervisée combine la découverte thématique interprétable des modèles thématiques classiques avec des objectifs d'apprentissage auto-supervisé — tels que la perte contrastive, la modélisation de langage masqué ou la reconstruction — pour apprendre des thèmes cohérents et sémantiquement riches à partir de textes non étiquetés, sans labels annotés par des humains. Elle fait le pont entre les modèles probabilistes thématiques classiques et l'apprentissage de représentations modernes, produisant des thèmes mieux alignés avec le sens contextuel.