เปรียบเทียบวิธี

	ความสนใจหลายหัวของตนเอง (Multi-Head Self-Attention)	XGBoost
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	2016
ผู้ริเริ่ม	Vaswani, A. et al.	Chen, T. & Guestrin, C.
ประเภท	Attention mechanism (Transformer core)	Ensemble (gradient-boosted decision trees)
แหล่งต้นตำรับ	Vaswani, A. et al. (2017). Attention Is All You Need. NeurIPS.	Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794.
ชื่อเรียกอื่น	Öz-Dikkat ve Çok Başlı Dikkat (Multi-Head Self-Attention), öz-dikkat, multi-head attention, scaled dot-product attention	XGBoost, extreme gradient boosting, scalable tree boosting
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.	XGBoost (Extreme Gradient Boosting) is a scalable tree-boosting algorithm introduced by Tianqi Chen and Carlos Guestrin in 2016. It builds a strong predictor by adding decision trees one at a time, each correcting the errors left by the trees before it, and is a powerful prediction method widely used in competitions.