Трансферное обучение с тематической моделью LDA
Трансферное обучение с тематической моделью LDA применяет знания из хорошо изученной исходной предметной области для управления выводом (inference) модели Латентного размещения Дирихле (Latent Dirichlet Allocation, LDA) на целевой предметной области с дефицитом данных. Внедряя тематические априорные вероятности (priors), полученные из исходной области, в гиперпараметры Дирихле, метод порождает связные, релевантные предметной области темы, даже когда объем текстов целевой области ограничен, сокращая объем размеченных или неразмеченных данных, необходимых для получения значимых результатов.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Chen, Z., Mukherjee, A., Liu, B., Hsu, M., Malas, M., & Wang, S. (2013). Leveraging multi-domain prior knowledge in topic models. In Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence (IJCAI-13), pp. 2071–2077. link ↗
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Transfer Learning with Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/ru/deep-learning/transfer-learning-with-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.
- Тонко настроенная тематическая модель LDAГлубокое обучение↔ compare
- Тематическая модель LDAГлубокое обучение↔ compare
- Тематическое моделированиеГлубокое обучение↔ compare
- Трансферное обучение с тематической моделью NMFГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →