เปรียบเทียบวิธี

	แบบจำลองหัวข้อ LDA แบบกำกับตนเอง	การสร้างแบบจำลองหัวข้อ (Topic Modeling)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2003 (LDA); self-supervised variants from 2020	1999–2003
ผู้ริเริ่ม	Blei, D. M., Ng, A. Y., Jordan, M. I. (LDA); self-supervised extension by multiple authors (2020s)	Hofmann, T. (pLSA, 1999); Blei, D. M., Ng, A. Y., & Jordan, M. I. (LDA, 2003)
ประเภท	Probabilistic generative model with self-supervised pretraining	Unsupervised generative probabilistic model
แหล่งต้นตำรับ	Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022.	Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022.
ชื่อเรียกอื่น	SSL-LDA, self-supervised topic modeling, self-supervised LDA, contrastive LDA	Latent Semantic Analysis, probabilistic topic modeling, topic discovery, thematic modeling
ที่เกี่ยวข้อง	6	5
สรุป	Self-supervised LDA combines the probabilistic generative framework of Latent Dirichlet Allocation with self-supervised pretraining signals — such as masked-word prediction or contrastive document objectives — to guide topic discovery without requiring hand-labeled training data. The result is topic representations that are simultaneously grounded in distributional statistics and enriched by language structure learned from raw text.	Topic Modeling is a family of unsupervised probabilistic techniques for discovering latent thematic structure in large text collections. By learning which words tend to co-occur, models such as Latent Dirichlet Allocation (LDA) automatically surface coherent topics — each represented as a distribution over vocabulary — without requiring labelled data.