ScholarGate
Asistent
Machine learningDeep learning / NLP / CV

Multimodal NMF Topic Model

Multimodal NMF Topic Model proširuje nenegativnu matričnu faktorizaciju (Non-negative Matrix Factorization, NMF) kako bi istovremeno otkrio latentne teme u više podatkovnih modaliteta — poput teksta i slika — primjenom zajedničkih ili usklađenih niskorengiranih matričnih faktora. Otkriva koherentne, interpretativne teme koje zajednički objašnjavaju obrasce u tekstualnim i vizualnim (ili drugim) prostornim značajkama.

Otvorite u MethodMindUskoroVideoUskoroPreuzmi prezentaciju

Pročitajte cijelu metodu

Samo za članove

Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.

Prijavite se

Karta metoda

Okruženje srodnih metoda — odaberite čvor za istraživanje.

Izvori

  1. Cai, D., He, X., Han, J., & Huang, T. S. (2011). Graph regularized NMF. IEEE Transactions on Pattern Analysis and Machine Intelligence, 33(8), 1548–1560. link
  2. Non-negative matrix factorization. Wikipedia. link

Kako citirati ovu stranicu

ScholarGate. (2026, June 3). Multimodal Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/hr/deep-learning/multimodal-nmf-topic-model

Koja metoda?

Postavite ovu metodu uz njoj najsrodnije i pročitajte ih jednu uz drugu — knjižnica vam knjige stavlja na stol; izbor je na vama.

Usporedi jedno uz drugo
ScholarGateMultimodal NMF Topic Model (Multimodal Non-negative Matrix Factorization Topic Model). Preuzeto 2026-06-15 s https://scholargate.app/hr/deep-learning/multimodal-nmf-topic-model · Skup podataka: https://doi.org/10.5281/zenodo.20539026