Topic detection via ICE
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F19%3A00335960" target="_blank" >RIV/68407700:21340/19:00335960 - isvavai.cz</a>
Výsledek na webu
<a href="http://gams.fjfi.cvut.cz/spms2019" target="_blank" >http://gams.fjfi.cvut.cz/spms2019</a>
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Topic detection via ICE
Popis výsledku v původním jazyce
Independent Component Extraction (ICE) is a novel approach based on fundamentals of Independent Component Analysis that deals with the blind source separation. The model assumes a linear mixutre of indepent sources of interest (SOIs) and aims to restore them from the mixture. In ICE, only one SOI is extracted and the rest is considered as a background. Most of the applications of ICA/ICE are in the accusting signal processing. In this paper, the ICE model is used for a blind detection of a single topic in text documents. The results of known unsupervised methods are used for the comparison. The transfer learning is then used to compare ICE also with supervised methods. Pros and cons of all aproaches are discussed.
Název v anglickém jazyce
Topic detection via ICE
Popis výsledku anglicky
Independent Component Extraction (ICE) is a novel approach based on fundamentals of Independent Component Analysis that deals with the blind source separation. The model assumes a linear mixutre of indepent sources of interest (SOIs) and aims to restore them from the mixture. In ICE, only one SOI is extracted and the rest is considered as a background. Most of the applications of ICA/ICE are in the accusting signal processing. In this paper, the ICE model is used for a blind detection of a single topic in text documents. The results of known unsupervised methods are used for the comparison. The transfer learning is then used to compare ICE also with supervised methods. Pros and cons of all aproaches are discussed.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10103 - Statistics and probability
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of SPMS 2019 - Stochastic and Physical Monitoring Systems
ISBN
978-80-01-06659-1
ISSN
—
e-ISSN
—
Počet stran výsledku
7
Strana od-do
49-55
Název nakladatele
Česká technika - nakladatelství ČVUT
Místo vydání
Praha
Místo konání akce
Dobřichovice
Datum konání akce
20. 6. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—