Apprentissage par transfert avec modèle thématique LDA
L'apprentissage par transfert avec LDA (Latent Dirichlet Allocation) applique les connaissances d'un domaine source bien étudié pour guider l'inférence de Latent Dirichlet Allocation sur un domaine cible où les données sont rares. En injectant des priors thématiques dérivés de la source dans les hyperparamètres de Dirichlet, la méthode produit des thèmes cohérents et pertinents pour le domaine, même lorsque le texte du domaine cible est limité, réduisant ainsi le volume de données étiquetées ou non étiquetées requis pour des résultats significatifs.
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
- Chen, Z., Mukherjee, A., Liu, B., Hsu, M., Malas, M., & Wang, S. (2013). Leveraging multi-domain prior knowledge in topic models. In Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence (IJCAI-13), pp. 2071–2077. link ↗
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Transfer Learning with Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/fr/deep-learning/transfer-learning-with-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 LDA affinéApprentissage profond↔ compare
- Modèle de Topics LDAApprentissage profond↔ compare
- Modélisation par sujetsApprentissage profond↔ compare
- Apprentissage par transfert avec modèle thématique NMFApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →