Трансферное обучение с тематической моделью NMF
Трансферное обучение с тематической моделью NMF применяет знания из размеченного или богатого данными исходного домена для улучшения тематического моделирования методом неотрицательного матричного разложения (NMF) в целевом домене с ограниченными ресурсами. Инициализируя или ограничивая базисную матрицу NMF темами из исходного домена, модель обнаруживает связные целевые темы, даже когда документов в целевом домене мало или они не размечены.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ru/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.
- Тематическая модель NMF с адаптацией к предметной областиГлубокое обучение↔ compare
- Тематическая модель LDAГлубокое обучение↔ compare
- Тематическая модель NMFГлубокое обучение↔ compare
- Тематическое моделированиеГлубокое обучение↔ compare
- Трансферное обучение с тематической моделью LDAГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →