เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนด้วยการสร้างแบบจำลองหัวข้อ	แบบจำลองหัวข้อ NMF
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010s	1999
ผู้ริเริ่ม	Pan, S. J. & Yang, Q. (transfer learning survey); combined with Blei et al. (LDA, 2003)	Lee, D. D. & Seung, H. S.
ประเภท	Cross-domain adaptation of topic models	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	domain-transfer topic modeling, pretrained topic transfer, cross-domain topic adaptation, TL-LDA	NMF, Non-negative Matrix Factorization, NMF for Topic Modeling, NNMF Topic Model
ที่เกี่ยวข้อง	5	4
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.	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.