เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนด้วยแบบจำลองหัวข้อ NMF	การสร้างแบบจำลองหัวข้อ (Topic Modeling)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010 (transfer learning survey); 1999 (NMF)	1999–2003
ผู้ริเริ่ม	Pan, S. J. & Yang, Q. (transfer learning framework); Lee, D. D. & Seung, H. S. (NMF base)	Hofmann, T. (pLSA, 1999); Blei, D. M., Ng, A. Y., & Jordan, M. I. (LDA, 2003)
ประเภท	Unsupervised topic model with cross-domain adaptation	Unsupervised generative probabilistic model
แหล่งต้นตำรับ	Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.	Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022.
ชื่อเรียกอื่น	TL-NMF, NMF transfer topic model, cross-domain NMF topic modeling, domain-adaptive NMF	Latent Semantic Analysis, probabilistic topic modeling, topic discovery, thematic modeling
ที่เกี่ยวข้อง	5	5
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.	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.