เปรียบเทียบวิธี

	หน่วยความจำแบบวนซ้ำแบบมีประตู (Gated Recurrent Unit - GRU)	โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2014	1986–1990
ผู้ริเริ่ม	Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y.	Rumelhart, D. E.; Elman, J. L.
ประเภท	Recurrent neural network with gating	Sequential neural network
แหล่งต้นตำรับ	Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. In Proceedings of EMNLP 2014, pp. 1724–1734.	Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211.
ชื่อเรียกอื่น	GRU, GRU network, gated RNN, GRU cell	RNN, Elman network, Jordan network, simple recurrent network
ที่เกี่ยวข้อง	3	3
สรุป	The Gated Recurrent Unit (GRU), introduced by Cho et al. in 2014, is a streamlined recurrent neural network that uses two learned gates — an update gate and a reset gate — to selectively retain or discard information across time steps, enabling effective sequence modelling with fewer parameters than LSTM.	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.