Overføringslæring med NMF-emnemodell
Overføringslæring med NMF-emnemodell anvender kunnskap fra et merket eller datarik kildedomen for å forbedre emneoppdagelse med Non-Negative Matrix Factorization (NMF) i et måldomene med lite ressurser. Ved å initialisere eller begrense NMF-basismatrisen med emner fra kildedomenet, oppdager modellen sammenhengende emner i måldomenet selv når dokumenter fra måldomenet er knappe eller umerkede.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/no/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.
- Domene-adaptiv NMF-emnemodellDyp læring↔ compare
- LDA emnemodellDyp læring↔ compare
- NMF emnemodellDyp læring↔ compare
- Emne-modelleringDyp læring↔ compare
- Overføringslæring med LDA-emnemodellDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →