เปรียบเทียบวิธี

	เครือข่ายประสาทเทียมแบบวนซ้ำที่ปรับละเอียด (Fine-Tuned Recurrent Neural Network)	โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2015–2018	1986–1990
ผู้ริเริ่ม	Popularised by Howard & Ruder (ULMFiT, 2018); RNN fine-tuning concept developed iteratively in the NLP community from ~2015	Rumelhart, D. E.; Elman, J. L.
ประเภท	Transfer learning / sequential model adaptation	Sequential neural network
แหล่งต้นตำรับ	Howard, J. & Ruder, S. (2018). Universal Language Model Fine-Tuning for Text Classification. Proceedings of ACL 2018, 328–339.	Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211.
ชื่อเรียกอื่น	Fine-Tuned RNN, RNN Fine-Tuning, domain-adapted RNN, pre-trained RNN with downstream adaptation	RNN, Elman network, Jordan network, simple recurrent network
ที่เกี่ยวข้อง	6	3
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.	A Recurrent Neural Network (RNN) is a class of neural network designed to process sequential data by maintaining a hidden state that carries information across time steps. Introduced in its modern form by Rumelhart et al. (1986) and further shaped by Elman (1990), RNNs became the dominant architecture for sequence modelling in NLP, speech, and time-series analysis before the rise of attention-based models.