Transfer Learning with NMF Topic Model
Transfer Learning with NMF Topic Model applies knowledge from a labeled or data-rich source domain to improve Non-Negative Matrix Factorization topic discovery in a low-resource target domain. By initializing or constraining the NMF basis matrix with source-domain topics, the model discovers coherent target topics even when target-domain documents are scarce or unlabeled.
Rekod sumber
Petikan disalin secara verbatim daripada rekod sumber kaedah. Tiada pengesahan peringkat tuntutan disimpulkan daripadanya.
- 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
Tuntutan yang dikurasi
Tuntutan disimpan dalam lejar bukti, setiap satu dengan penilaiannya sendiri.
Pandangan ini tidak mencipta penilaian tuntutan apabila lejar tiada.
Kaedah berkaitan
Dijana daripada graf kaedah dan ditunjukkan sebagai perhubungan yang dicadangkan mesin — tiada tuntutan bukti disimpulkan.