Machine learningDeep learning / NLP / CV
Multimodal LDA Topic Model
Multimodal LDA는 단일 확률론적 토픽 프레임워크 내에서 텍스트와 이미지 등 여러 데이터 양식을 공동으로 모델링하도록 잠재 디리클레 할당(Latent Dirichlet Allocation)을 확장한 것입니다. 각 문서 또는 데이터 인스턴스는 양식 전반에 걸쳐 공유되는 잠재 토픽의 혼합으로 표현되며, 이를 통해 모델은 시각적 내용과 언어적 내용을 동시에 정렬하는 일관된 주제를 발견할 수 있습니다.
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
- Blei, D. M. & Jordan, M. I. (2003). Modeling annotated data. Proceedings of the 26th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, 127–134. DOI: 10.1145/860435.860460 ↗
- Barnard, K., Duygulu, P., Forsyth, D., de Freitas, N., Blei, D. M. & Jordan, M. I. (2003). Matching words and pictures. Journal of Machine Learning Research, 3, 1107–1135. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Multimodal Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/ko/deep-learning/multimodal-lda-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.
- LDA 토픽 모델딥러닝↔ compare
- 멀티모달 BERT 기반 분류딥러닝↔ compare
- 다중 양식 토픽 모델링딥러닝↔ compare
- 다중 모달 트랜스포머딥러닝↔ compare
- NMF 토픽 모델딥러닝↔ compare
- 토픽 모델링딥러닝↔ compare