เปรียบเทียบวิธี

	ความสนใจหลายหัวของตนเอง (Multi-Head Self-Attention)	การปรับจูน BERT
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	2019
ผู้ริเริ่ม	Vaswani, A. et al.	Devlin, J. et al.
ประเภท	Attention mechanism (Transformer core)	Transfer learning (fine-tuning a pre-trained transformer)
แหล่งต้นตำรับ	Vaswani, A. et al. (2017). Attention Is All You Need. NeurIPS.	Devlin, J., Chang, M.-W., Lee, K. & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL.
ชื่อเรียกอื่น	Öz-Dikkat ve Çok Başlı Dikkat (Multi-Head Self-Attention), öz-dikkat, multi-head attention, scaled dot-product attention	BERT İnce Ayar (Fine-Tuning), BERT ince ayar, fine-tuning BERT, transfer learning with BERT
ที่เกี่ยวข้อง	5	5
สรุป	Multi-head self-attention, introduced by Vaswani and colleagues in 2017, is the mechanism that lets every position in a sequence compute its relationship to all other positions in parallel. It is the core of the Transformer architecture and the foundation underneath BERT, GPT, and T5.	BERT fine-tuning, building on the BERT model introduced by Devlin and colleagues in 2019, re-trains a pre-trained BERT model on a small labelled dataset for a target task such as classification, named-entity recognition, or question answering. Through transfer learning it reaches high performance even with relatively little task-specific data.