เปรียบเทียบวิธี

	แบบจำลองลำดับต่อลำดับ	XGBoost
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2014	2016
ผู้ริเริ่ม	Sutskever, I.; Cho, K.	Chen, T. & Guestrin, C.
ประเภท	Encoder-decoder neural network (deep learning)	Ensemble (gradient-boosted decision trees)
แหล่งต้นตำรับ	Sutskever, I., Vinyals, O. & Le, Q. V. (2014). Sequence to Sequence Learning with Neural Networks. NeurIPS.	Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794.
ชื่อเรียกอื่น	Dizi-Dizi Modeli (Seq2Seq — Encoder-Decoder), encoder-decoder model, seq2seq, sequence to sequence learning	XGBoost, extreme gradient boosting, scalable tree boosting
ที่เกี่ยวข้อง	5	5
สรุป	The sequence-to-sequence (Seq2Seq) model, introduced by Sutskever, Vinyals and Le and by Cho and colleagues in 2014, is an encoder-decoder neural network that maps a variable-length input sequence to a variable-length output sequence. It is the foundation of machine translation, text summarization, dialogue systems and code generation.	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.