เปรียบเทียบวิธี

	หน่วยประสาทซ้ำแบบเกทที่เรียนรู้ด้วยตนเอง (Self-supervised GRU)	หน่วยความจำระยะสั้นแบบยาว (LSTM)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2014–2019	1997
ผู้ริเริ่ม	Cho, K. et al. (GRU); self-supervised training paradigm from broader SSL literature	Hochreiter, S. & Schmidhuber, J.
ประเภท	Self-supervised sequence model	Recurrent neural network with gated memory cells
แหล่งต้นตำรับ	Cho, K., van Merriënboer, 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.	Hochreiter, S. & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
ชื่อเรียกอื่น	SS-GRU, Self-supervised Gated Recurrent Unit, GRU with self-supervised pretraining, Unsupervised GRU pretraining	LSTM, LSTM network, LSTM-RNN, long short-term memory RNN
ที่เกี่ยวข้อง	4	4
สรุป	Self-supervised GRU trains a Gated Recurrent Unit network using automatically constructed supervision signals — such as next-step prediction or masked token recovery — derived from the unlabeled data itself. The learned sequence representations are then fine-tuned on small labeled datasets, making high-quality sequential modeling feasible when annotations are scarce.	Long Short-Term Memory (LSTM) is a gated recurrent neural network architecture introduced by Hochreiter and Schmidhuber in 1997. It was designed to learn dependencies across long sequences by using dedicated memory cells and three learned gates — forget, input, and output — that control what information is retained, updated, or passed forward at each time step.