เปรียบเทียบวิธี

	แอลเอสทีเอ็ม	โครงข่ายประสาทเทียมแบบสังวัตนาการ (การจำแนกประเภท)	ทรานส์ฟอร์มเมอร์ (การประมวลผลภาษาธรรมชาติ)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning	Machine learning
ปีกำเนิด	1997	1998	2017
ผู้ริเริ่ม	Hochreiter, S. & Schmidhuber, J.	LeCun, Y. et al.	Vaswani, A. et al.
ประเภท	Recurrent neural network (gated memory cell)	Deep neural network (convolutional)	Attention-based deep neural network
แหล่งต้นตำรับ	Hochreiter, S. & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780.	LeCun, Y., Bottou, L., Bengio, Y. & Haffner, P. (1998). Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86(11), 2278–2324.	Vaswani, A. et al. (2017). Attention Is All You Need. NeurIPS.
ชื่อเรียกอื่น	LSTM (Uzun Kısa Dönem Bellek Ağı), long short-term memory, LSTM network, recurrent neural network with memory cells	CNN (Evrişimli Sinir Ağı — Sınıflandırma), CNN classification, ConvNet, convolutional network classifier	Transformer Modeli (NLP), attention-based language model, self-attention network, transformer NLP
ที่เกี่ยวข้อง	5	5	4
สรุป	LSTM (Long Short-Term Memory) is a recurrent neural network architecture, introduced by Sepp Hochreiter and Jürgen Schmidhuber in 1997, that can learn long-term dependencies in sequential data and is widely used for time-series and sequence prediction. It keeps an internal memory that lets information persist across many time steps.	A Convolutional Neural Network (CNN) is a deep learning model, established by LeCun and colleagues in 1998, that learns local patterns directly from images and structured data to classify them. Stacks of convolutional filters discover increasingly abstract features, so manual feature engineering can be largely reduced.	The Transformer is an attention-based deep learning model, introduced by Vaswani and colleagues in 2017, that performs text classification, named-entity recognition, and language modelling by letting every token in a sequence attend directly to every other token. It replaced earlier recurrent designs with a self-attention mechanism that processes whole sequences in parallel.