Apprendimento per Trasferimento con Modello di Topic NMF
L'Apprendimento per Trasferimento con NMF (Non-Negative Matrix Factorization) applica la conoscenza da un dominio sorgente etichettato o ricco di dati per migliorare la scoperta di topic tramite NMF in un dominio target a basse risorse. Inizializzando o vincolando la matrice base NMF con topic del dominio sorgente, il modello scopre topic coerenti nel dominio target anche quando i documenti del dominio target sono scarsi o non etichettati.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/it/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.
- Modello di Topic NMF Adattivo al DominioApprendimento profondo↔ compare
- Modello di Topic LDAApprendimento profondo↔ compare
- Modello di Topic NMFApprendimento profondo↔ compare
- Topic ModelingApprendimento profondo↔ compare
- Apprendimento per trasferimento con modello di topic LDAApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →