Transfer Learning met NMF Topic Model
Transfer Learning met NMF Topic Model past kennis van een gelabelde of datarijke bron-domein toe om Non-Negative Matrix Factorization topic-ontdekking in een doel-domein met weinig middelen te verbeteren. Door de NMF basis-matrix te initialiseren of te beperken met bron-domein topics, ontdekt het model coherente doel-topics, zelfs wanneer documenten uit het doel-domein schaars of ongelabeld zijn.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/nl/deep-learning/transfer-learning-with-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.
- Domein-adaptief NMF-onderwerpmodelDeep learning↔ compare
- LDA-onderwerpmodelDeep learning↔ compare
- NMF-onderwerpmodelDeep learning↔ compare
- OnderwerpmodelleringDeep learning↔ compare
- Transfer Learning met LDA Topic ModelDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →