Transfer Learning met LDA Topic Model
Transfer Learning met LDA Topic Model past kennis van een goed bestudeerde bron-domein toe om Latent Dirichlet Allocatie inferentie op een doel-domein met weinig data te begeleiden. Door bron-afgeleide topic priors te injecteren in de Dirichlet hyperparameter, produceert de methode coherente, domein-relevante topics, zelfs wanneer de tekst in het doel-domein beperkt is, wat het volume aan gelabelde of ongelabelde data dat nodig is voor betekenisvolle resultaten vermindert.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Chen, Z., Mukherjee, A., Liu, B., Hsu, M., Malas, M., & Wang, S. (2013). Leveraging multi-domain prior knowledge in topic models. In Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence (IJCAI-13), pp. 2071–2077. link ↗
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Transfer Learning with Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/nl/deep-learning/transfer-learning-with-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.
- Fijn-afgestemd LDA-onderwerpmodelDeep learning↔ compare
- LDA-onderwerpmodelDeep learning↔ compare
- OnderwerpmodelleringDeep learning↔ compare
- Transfer Learning met NMF Topic ModelDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →