เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนด้วยการสร้างแบบจำลองหัวข้อ	การสร้างหัวข้อแบบปรับละเอียด
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010s	2020–2022
ผู้ริเริ่ม	Pan, S. J. & Yang, Q. (transfer learning survey); combined with Blei et al. (LDA, 2003)	Bianchi et al.; Grootendorst, M.
ประเภท	Cross-domain adaptation of topic models	Fine-tuned neural 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.	Bianchi, F., Terragni, S., Hovy, D., Nozza, D., & Fersini, E. (2021). Cross-lingual Contextualized Topic Models with Zero-shot Learning. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, 1676–1683.
ชื่อเรียกอื่น	domain-transfer topic modeling, pretrained topic transfer, cross-domain topic adaptation, TL-LDA	neural topic modeling, fine-tuned topic model, pre-trained topic model, contextual topic modeling
ที่เกี่ยวข้อง	5	6
สรุป	Transfer Learning with Topic Modeling adapts topic structures discovered on a large or well-labeled source corpus to a related but distinct target domain where labeled data or large corpora are scarce. By reusing source-domain topic priors or pretrained embeddings as initialization, the approach produces richer, more coherent topics in the target domain than training from scratch.	Fine-Tuned Topic Modeling adapts pre-trained language models — such as BERT or Sentence-BERT — to discover latent topics in document collections. Unlike classical probabilistic methods (LDA, NMF), it leverages rich contextual embeddings and optionally fine-tunes the backbone on domain-specific corpora, producing more coherent and semantically meaningful topics, especially on short texts or specialized domains.