Machine learningDeep learning / NLP / CV
도메인 적응형 NMF 토픽 모델
도메인 적응형 NMF 토픽 모델링은 비음수 행렬 분해(Non-negative Matrix Factorization, NMF)를 적용하여 여러 도메인의 텍스트 전반에 걸쳐 잠재 토픽을 발견합니다. 이는 정규화 또는 공유 기저 제약 조건을 사용하여 리소스가 풍부한 소스 도메인의 토픽 지식을 레이블이 지정된 데이터가 제한적인 타겟 도메인으로 전이시킵니다. 해석 가능한 부분 기반 분해와 도메인 적응 목표를 결합하여 도메인 특화적이면서도 교차 도메인 일관성을 갖춘 토픽을 생성합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ko/deep-learning/domain-adaptive-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.
Compare side by side →