เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนด้วยแบบจำลองหัวข้อ LDA	การสร้างแบบจำลองหัวข้อ (Topic Modeling)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2003–2013	1999–2003
ผู้ริเริ่ม	Chen, Z. et al. / Blei, D. M. et al.	Hofmann, T. (pLSA, 1999); Blei, D. M., Ng, A. Y., & Jordan, M. I. (LDA, 2003)
ประเภท	Transfer learning applied to probabilistic topic model	Unsupervised generative probabilistic model
แหล่งต้นตำรับ	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.	Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022.
ชื่อเรียกอื่น	LDA transfer learning, domain-adaptive LDA, knowledge transfer LDA, cross-domain LDA	Latent Semantic Analysis, probabilistic topic modeling, topic discovery, thematic modeling
ที่เกี่ยวข้อง	4	5
สรุป	Transfer Learning with LDA Topic Model applies knowledge from a well-studied source domain to guide Latent Dirichlet Allocation inference on a data-scarce target domain. By injecting source-derived topic priors into the Dirichlet hyperparameters, the method produces coherent, domain-relevant topics even when target-domain text is limited, reducing the volume of labelled or unlabelled data required for meaningful results.	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.