该研究提出了StreamETM方法，结合嵌入式主题模型与不平衡最优传输，以应对在线主题建模中快速增长的文本数据流挑战。实验结果表明，StreamETM在模拟和实际数据上均优于现有方法。

本研究提出了一种机器忘记算法，探讨了在预训练和微调框架中主题模型的可证明性忘记，并设计了有效算法以删除训练数据而不显著影响模型性能。

本文介绍了一种新颖的神经自回归主题模型ctx-DocNADE，该模型结合了主题模型和语言模型，通过嵌入词的静态信息，提升了小语料库和短文本中的词-主题映射效果，展现了良好的泛化能力和可解释性。

本文介绍了一种零样本跨语言主题模型，通过迁移学习处理多语言数据，解决了传统模型的单语言和词汇稀疏问题。评估显示，该模型在多语言中的主题预测准确且稳定，具有研究潜力。

该研究提出了一种新方法来丰富HuBERT的语义表示，通过应用主题模型为每个话语生成主题标签，并将主题标签用作教师来添加辅助的主题分类任务，以无监督的方式融入额外的全局语义信息。实验证明，该方法在大多数任务中实现了与基准方法相当或更好的性能。

最近的研究发现，大型语言模型易受隐私攻击，推断出训练数据的某些方面。本文提出了一种针对主题模型的攻击方法，并探讨了差分隐私的主题模型以减轻这些弱点。该方法在保护隐私方面有改进，对实际效用影响较小。

本研究通过收集推特上关于疫苗接种的数据，评估了不同主题模型的性能，旨在支持未来健康领域的论证挖掘研究。采用了多种策略来聚合带有主张的推文文本，包括使用特征级融合和双视图架构的模型。

该文介绍了一种新方法，使用主题模型为每个话语生成主题标签，并将其作为教师添加辅助的主题分类任务，以无监督的方式融入额外的全局语义信息。实验证明，该方法在大多数任务中实现了与基准方法相当或更好的性能，包括自动语音识别和8个超级任务中的5个任务。主题标签包含关于话语的各种信息，如性别、演讲者和主题，凸显了该方法在捕捉多方面语义细微差别方面的有效性。

该研究设计了一种词义消歧系统，使用主题模型，能够在上下文单词数增加的情况下扩展。在5个英语全单词WSD数据集上的评估表明，该方法优于当前最先进的无监督知识为基础的WSD系统。