เปรียบเทียบวิธี

	มัลติเลเยอร์ เพอร์เซปตรอนที่ปรับละเอียด	เพอร์เซปตรอนหลายชั้น (MLP)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1986 (MLP); fine-tuning practice formalised c. 2014	1986
ผู้ริเริ่ม	Rumelhart, Hinton & Williams (MLP); Yosinski et al. (fine-tuning analysis)	Rumelhart, D. E.; Hinton, G. E.; Williams, R. J.
ประเภท	Supervised deep learning with pre-trained weight initialisation	Supervised feedforward neural network
แหล่งต้นตำรับ	Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536.	Rumelhart, D. E., Hinton, G. E. & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536.
ชื่อเรียกอื่น	fine-tuned MLP, adapted MLP, domain-adapted multilayer perceptron, MLP fine-tuning	MLP, feedforward neural network, fully connected neural network, vanilla neural network
ที่เกี่ยวข้อง	4	4
สรุป	A Fine-Tuned Multilayer Perceptron starts from weights learned on a source task — or a large general-purpose dataset — and continues training on a smaller target dataset with a reduced learning rate. This reuse of pre-learned representations allows the MLP to converge faster and generalise better than training from scratch, especially when labelled target data is scarce.	A Multilayer Perceptron is a classic fully connected feedforward neural network trained with the backpropagation algorithm, as formalised by Rumelhart, Hinton & Williams in their landmark 1986 Nature paper. Composed of an input layer, one or more hidden layers of neurons, and an output layer, the MLP learns nonlinear mappings from input features to target outputs and serves as the foundational building block of modern deep learning.