Pembelajaran Transfer dengan Model Topik NMF
Pembelajaran Transfer dengan Model Topik NMF menerapkan pengetahuan dari domain sumber berlabel atau kaya data untuk meningkatkan penemuan topik Non-Negative Matrix Factorization (NMF) dalam domain target beresiko rendah. Dengan menginisialisasi atau membatasi matriks basis NMF dengan topik domain sumber, model menemukan topik target yang koheren bahkan ketika dokumen domain target langka atau tidak berlabel.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/id/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.
- Model Topik NMF Adaptif DomainPembelajaran Mendalam↔ compare
- Model Topik LDAPembelajaran Mendalam↔ compare
- Model Topik NMFPembelajaran Mendalam↔ compare
- Pemodelan TopikPembelajaran Mendalam↔ compare
- Transfer Learning with LDA Topic ModelPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →