Machine learningDeep learning / NLP / CV
Self-supervised NMF Topic Model
Self-supervised NMF Topic Model은 고전적인 비음수 행렬 분해(Non-negative Matrix Factorization, NMF)를 확장하여 토픽 발견에 자기 지도 학습 신호를 통합한 모델입니다. 이는 마스크된 단어 재구성이나 대조 학습 목표와 같은 신호를 NMF 최적화에 포함시켜, 인간이 레이블링한 데이터 없이도 텍스트 코퍼스로부터 더 일관성 있고 의미론적으로 유의미한 토픽을 도출합니다.
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
- Shi, T., Guo, X., Lv, J., & Yu, P. S. (2022). Self-supervised NMF-based graph contrastive learning for semi-supervised node classification. In Proceedings of the 36th AAAI Conference on Artificial Intelligence. link ↗
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ko/deep-learning/self-supervised-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 →