เปรียบเทียบวิธี

	กลไกการใส่ใจ (Attention Mechanism)	การเรียนรู้แบบถ่ายโอน
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2015	2010 (formalized); 1990s (early roots)
ผู้ริเริ่ม	Bahdanau, D.; Luong, M.T.	Pan, S. J. & Yang, Q. (survey); Bengio, Y. (deep learning framing)
ประเภท	Neural attention layer (encoder-decoder)	Learning paradigm
แหล่งต้นตำรับ	Bahdanau, D., Cho, K. & Bengio, Y. (2015). Neural Machine Translation by Jointly Learning to Align and Translate. ICLR.	Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.
ชื่อเรียกอื่น	Dikkat Mekanizması (Bahdanau / Luong Attention), dikkat mekanizmasi, neural attention, additive attention	TL, domain adaptation, fine-tuning, pre-trained model adaptation
ที่เกี่ยวข้อง	5	3
สรุป	The attention mechanism, introduced by Bahdanau, Cho and Bengio in 2015 and refined by Luong, Pham and Manning the same year, lets a sequence decoder dynamically learn which of the encoder's outputs to focus on at each step. Before the Transformer, it substantially improved machine-translation quality by freeing models from compressing an entire input into a single fixed vector.	Transfer learning is a machine learning paradigm in which knowledge gained from training a model on a source task or domain is reused to improve learning on a different but related target task or domain. It is especially powerful when labeled data for the target task is scarce, and it underlies most modern deep learning applications in computer vision, natural language processing, and beyond.