เปรียบเทียบวิธี

	โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)	หน่วยความจำแบบวนซ้ำแบบมีประตู (Gated Recurrent Unit - GRU)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1986–1990	2014
ผู้ริเริ่ม	Rumelhart, D. E.; Elman, J. L.	Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y.
ประเภท	Sequential neural network	Recurrent neural network with gating
แหล่งต้นตำรับ	Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211.	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.
ชื่อเรียกอื่น	RNN, Elman network, Jordan network, simple recurrent network	GRU, GRU network, gated RNN, GRU cell
ที่เกี่ยวข้อง	3	3
สรุป	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.	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.