Prenosno učenje sa NMF modelom tema
Prenosno učenje sa NMF modelom tema primenjuje znanje iz označene ili bogate izvorišne domen-baze podataka za poboljšanje otkrivanja tema ne-negativne matrične faktorizacije u ciljnom domenu sa malo resursa. Inicijalizacijom ili ograničavanjem NMF bazne matrice temama iz izvorišnog domena, model otkriva koherentne ciljne teme čak i kada su dokumenti iz ciljnog domena oskudni ili neoznačeni.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/sr/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.
- Доменски-адаптивни НМФ модел темаDuboko učenje↔ compare
- LDA modelovanje temaDuboko učenje↔ compare
- NMF Topic ModelDuboko učenje↔ compare
- Modeliranje temaDuboko učenje↔ compare
- Transfer Learning with LDA Topic ModelDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →