Machine learningDeep learning / NLP / CV
ドメイン適応型NMFトピックモデル
ドメイン適応型NMFトピックモデリングは、非負行列因子分解（NMF）を適用し、複数のドメインにわたるテキストから潜在トピックを発見します。これは、正則化や共有基底制約を用いて、リソースが豊富なソースドメインから、ラベル付きデータが限られたターゲットドメインへトピック知識を転移させます。解釈可能なパーツベース分解とドメイン適応の目的を組み合わせることで、ドメイン固有かつドメイン間で一貫性のあるトピックを生成します。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
手法マップ
関連する手法の近傍 — ノードを選択して探索できます。
出典
- 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 ↗
- Non-negative matrix factorization. Wikipedia. link ↗
このページの引用方法
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ja/deep-learning/domain-adaptive-nmf-topic-model
どの手法を選ぶ？
この手法を最も近い類縁の手法と並べ、両者を見比べてください — ライブラリは本を机の上に並べるだけ。選ぶのはあなたです。
- LDAトピックモデル深層学習↔ 比較
- NMFトピックモデル深層学習↔ 比較
- トピックモデリング深層学習↔ 比較
- NMFトピックモデルを用いた転移学習深層学習↔ 比較