Apprentissage par transfert avec modèle thématique NMF
L'apprentissage par transfert avec NMF applique des connaissances provenant d'un domaine source étiqueté ou riche en données pour améliorer la découverte thématique par factorisation matricielle non négative dans un domaine cible à faibles ressources. En initialisant ou en contraignant la matrice de base NMF avec des thèmes du domaine source, le modèle découvre des thèmes cibles cohérents même lorsque les documents du domaine cible sont rares ou non étiquetés.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fr/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.
- Modèle thématique NMF adaptatif au domaineApprentissage profond↔ compare
- Modèle de Topics LDAApprentissage profond↔ compare
- Modèle thématique NMFApprentissage profond↔ compare
- Modélisation par sujetsApprentissage profond↔ compare
- Apprentissage par transfert avec modèle thématique LDAApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →