เปรียบเทียบวิธี

	BERT Embeddings	การเรียนรู้แบบถ่ายโอน
สาขาวิชา	การทำเหมืองข้อความ	การเรียนรู้ของเครื่อง
ตระกูล	Process / pipeline	Machine learning
ปีกำเนิด	2019	2010 (formalized); 1990s (early roots)
ผู้ริเริ่ม	Devlin, Chang, Lee & Toutanova (Google AI)	Pan, S. J. & Yang, Q. (survey); Bengio, Y. (deep learning framing)
ประเภท	Contextual transformer text-representation method	Learning paradigm
แหล่งต้นตำรับ	Devlin, J., Chang, M.-W., Lee, K. & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL-HLT, 4171-4186.	Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.
ชื่อเรียกอื่น	contextual embeddings, transformer embeddings, BERT Tabanlı Metin Gömülmeleri	TL, domain adaptation, fine-tuning, pre-trained model adaptation
ที่เกี่ยวข้อง	4	3
สรุป	BERT-based text embeddings, introduced by Devlin and colleagues at Google AI in 2019, turn text into context-sensitive dense vectors using a bidirectional Transformer encoder. Because the meaning of a word shifts with its context, BERT produces richer representations than static methods such as Word2Vec or topic models like LDA.	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.