เปรียบเทียบวิธี

	เครือข่ายประสาทเทียมแบบวนซ้ำที่ปรับละเอียด (Fine-Tuned Recurrent Neural Network)	หน่วยความจำระยะสั้นแบบยาว (LSTM)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2015–2018	1997
ผู้ริเริ่ม	Popularised by Howard & Ruder (ULMFiT, 2018); RNN fine-tuning concept developed iteratively in the NLP community from ~2015	Hochreiter, S. & Schmidhuber, J.
ประเภท	Transfer learning / sequential model adaptation	Recurrent neural network with gated memory cells
แหล่งต้นตำรับ	Howard, J. & Ruder, S. (2018). Universal Language Model Fine-Tuning for Text Classification. Proceedings of ACL 2018, 328–339.	Hochreiter, S. & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
ชื่อเรียกอื่น	Fine-Tuned RNN, RNN Fine-Tuning, domain-adapted RNN, pre-trained RNN with downstream adaptation	LSTM, LSTM network, LSTM-RNN, long short-term memory RNN
ที่เกี่ยวข้อง	6	4
สรุป	A Fine-Tuned Recurrent Neural Network (RNN) starts from a model pre-trained on large corpora or time-series data and adapts its weights to a specific downstream task through controlled gradient updates. The approach dramatically cuts the labeled data needed for strong sequence modeling performance in text classification, named entity recognition, sentiment analysis, and related tasks.	Long Short-Term Memory (LSTM) is a gated recurrent neural network architecture introduced by Hochreiter and Schmidhuber in 1997. It was designed to learn dependencies across long sequences by using dedicated memory cells and three learned gates — forget, input, and output — that control what information is retained, updated, or passed forward at each time step.