Aprendizagem por Transferência com Modelo de Tópicos NMF
A Aprendizagem por Transferência com Modelo de Tópicos NMF aplica conhecimento de um domínio de origem rotulado ou rico em dados para melhorar a descoberta de tópicos por Fatoração de Matriz Não Negativa em um domínio-alvo com poucos recursos. Ao inicializar ou restringir a matriz base NMF com tópicos do domínio de origem, o modelo descobre tópicos-alvo coerentes mesmo quando os documentos do domínio-alvo são escassos ou não rotulados.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/pt/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.
- Modelo Tópico NMF Adaptativo a DomínioAprendizado profundo↔ compare
- Modelo de Tópicos LDAAprendizado profundo↔ compare
- Modelo de Tópicos NMFAprendizado profundo↔ compare
- Modelagem de TópicosAprendizado profundo↔ compare
- Transfer Learning with LDA Topic ModelAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →