Model de subiecte LDA auto-supervizat
LDA auto-supervizat combină cadrul generativ probabilistic al Alocării Dirichlet Latente cu semnale de pre-antrenare auto-supervizate — precum predicția cuvintelor mascate sau obiective documentare contrastive — pentru a ghida descoperirea subiectelor fără a necesita date de antrenament etichetate manual. Rezultatul constă în reprezentări ale subiectelor care sunt simultan ancorate în statistici distribuționale și îmbogățite de structura lingvistică învățată din text brut.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
- Meng, Y., Huang, J., Zhang, Y., & Han, J. (2022). Topic Discovery via Latent Space Clustering of Pretrained Language Model Representations. Proceedings of WWW 2022, ACM. DOI: 10.1145/3485447.3512034 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/ro/deep-learning/self-supervised-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.
- Clasificare bazată pe BERTÎnvățare profundă↔ compare
- Model de Subiecte LDAÎnvățare profundă↔ compare
- Model de Topic NMFÎnvățare profundă↔ compare
- Modelare de subiecte LDA semi-supervizatăÎnvățare profundă↔ compare
- Embeddings de propozițiiÎnvățare profundă↔ compare
- Modelarea tematicăÎnvățare profundă↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →