Överföringsinlärning med NMF-ämnesmodell
Överföringsinlärning med NMF-ämnesmodell (Transfer Learning with NMF Topic Model) tillämpar kunskap från en märkt eller datarik källdomän för att förbättra ämnesupptäckten med icke-negativ matris-faktorisering (NMF) i en mål-domän med begränsade resurser. Genom att initialisera eller begränsa NMF:s basmatris med källdomänsämnen, upptäcker modellen koherenta målämnen även när måldomänens dokument är få eller omärkta.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/sv/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.
- Domänadaptiv NMF-ämnessmodellDjupinlärning↔ compare
- LDA-ämnesmodell (LDA Topic Model)Djupinlärning↔ compare
- NMF ÄmnesmodellDjupinlärning↔ compare
- ÄmnesmodelleringDjupinlärning↔ compare
- Transfer Learning with LDA Topic ModelDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →