स्व-पर्यवेक्षित एनएमएफ विषय मॉडल
स्व-पर्यवेक्षित एनएमएफ विषय मॉडल विषय खोज के लिए शास्त्रीय गैर-ऋणात्मक मैट्रिक्स फैक्टराइजेशन (Non-negative Matrix Factorization) का विस्तार करता है, जिसमें स्व-पर्यवेक्षित शिक्षण संकेतों — जैसे मास्क्ड-वर्ड पुनर्निर्माण या विरोधाभासी उद्देश्य — को एनएमएफ अनुकूलन में शामिल किया जाता है, जिससे बिना किसी मानव-लेबल डेटा की आवश्यकता के पाठ कॉर्पोरा से अधिक सुसंगत और अर्थपूर्ण विषय प्राप्त होते हैं।
पूरी विधि पढ़ें
यह खंड पढ़ने के लिए निःशुल्क खाते से साइन इन करें।
Method map
The neighbourhood of related methods — select a node to explore.
स्रोत
- Shi, T., Guo, X., Lv, J., & Yu, P. S. (2022). Self-supervised NMF-based graph contrastive learning for semi-supervised node classification. In Proceedings of the 36th AAAI Conference on Artificial Intelligence. link ↗
- 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 ↗
इस पृष्ठ का उद्धरण कैसे दें
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/hi/deep-learning/self-supervised-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.
- Latent Dirichlet Allocation (LDA)मशीन अधिगम↔ compare
- ऋणात्मक मैट्रिक्स गुणनखंडन (NMF)मशीन अधिगम↔ compare