เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนด้วยแบบจำลองหัวข้อ NMF	แบบจำลองหัวข้อ NMF
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010 (transfer learning survey); 1999 (NMF)	1999
ผู้ริเริ่ม	Pan, S. J. & Yang, Q. (transfer learning framework); Lee, D. D. & Seung, H. S. (NMF base)	Lee, D. D. & Seung, H. S.
ประเภท	Unsupervised topic model with cross-domain adaptation	Matrix factorization / unsupervised topic model
แหล่งต้นตำรับ	Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.	Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788–791.
ชื่อเรียกอื่น	TL-NMF, NMF transfer topic model, cross-domain NMF topic modeling, domain-adaptive NMF	NMF, Non-negative Matrix Factorization, NMF for Topic Modeling, NNMF Topic Model
ที่เกี่ยวข้อง	5	4
สรุป	Transfer Learning with NMF Topic Model applies knowledge from a labeled or data-rich source domain to improve Non-Negative Matrix Factorization topic discovery in a low-resource target domain. By initializing or constraining the NMF basis matrix with source-domain topics, the model discovers coherent target topics even when target-domain documents are scarce or unlabeled.	Non-negative Matrix Factorization (NMF) is an unsupervised matrix decomposition method that discovers latent topics in a text corpus by factoring a document-term matrix into two non-negative matrices — one encoding topic-word weights, the other document-topic weights. The non-negativity constraint yields parts-based, additive representations that tend to produce clean, interpretable topics.