เปรียบเทียบวิธี

	โครงข่ายประสาทเทียมแบบวนซ้ำสองทิศทาง	ความสนใจหลายหัวของตนเอง (Multi-Head Self-Attention)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1997	2017
ผู้ริเริ่ม	Schuster, M. & Paliwal, K.K.	Vaswani, A. et al.
ประเภท	Recurrent neural network (sequence model)	Attention mechanism (Transformer core)
แหล่งต้นตำรับ	Schuster, M. & Paliwal, K.K. (1997). Bidirectional Recurrent Neural Networks. IEEE Transactions on Signal Processing, 45(11), 2673–2681.	Vaswani, A. et al. (2017). Attention Is All You Need. NeurIPS.
ชื่อเรียกอื่น	Çift Yönlü RNN / BiLSTM / BiGRU, bidirectional recurrent neural network, BiLSTM, BiGRU	Öz-Dikkat ve Çok Başlı Dikkat (Multi-Head Self-Attention), öz-dikkat, multi-head attention, scaled dot-product attention
ที่เกี่ยวข้อง	5	5
สรุป	A Bidirectional RNN, introduced by Schuster and Paliwal in 1997, processes a sequence in both forward and backward directions so that every position has access to its full surrounding context. With LSTM or GRU cells (BiLSTM/BiGRU) it is the standard approach for named-entity recognition, sequence labelling, and speech recognition.	Multi-head self-attention, introduced by Vaswani and colleagues in 2017, is the mechanism that lets every position in a sequence compute its relationship to all other positions in parallel. It is the core of the Transformer architecture and the foundation underneath BERT, GPT, and T5.