Multimodal Topic Modeling
Multimodal topic modeling oppdager latent tematisk struktur som deles på tvers av flere datamodaliteter — for eksempel, samforekommende ord og bilder — ved å lære en felles sannsynlighetsrepresentasjon som justerer temaer på tvers av modaliteter. Det utvider klassiske tekst-bare tilnærminger som LDA til omgivelser der hvert dokument eller observasjon består av heterogene datatyper.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
- Ramage, D., Dumais, S., & Liebling, D. (2010). Characterizing microblogs with topic models. Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media, 130–137. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Multimodal Topic Modeling (Joint Probabilistic Topic Discovery across Multiple Modalities). ScholarGate. https://scholargate.app/no/deep-learning/multimodal-topic-modeling
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 emnemodellDyp læring↔ compare
- Multimodal BERT-basert klassifiseringDyp læring↔ compare
- Multimodale setningsinnleiringerDyp læring↔ compare
- Multimodal transformereDyp læring↔ compare
- NMF emnemodellDyp læring↔ compare
- Emne-modelleringDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →