เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนด้วย LSTM	หน่วยความจำระยะสั้นแบบยาว (LSTM)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018 (ULMFiT; concept since ~2010)	1997
ผู้ริเริ่ม	Howard, J. & Ruder, S. (ULMFiT); general concept: Pan & Yang (2010)	Hochreiter, S. & Schmidhuber, J.
ประเภท	Transfer learning / Sequential model	Recurrent neural network with gated memory cells
แหล่งต้นตำรับ	Howard, J. & Ruder, S. (2018). Universal Language Model Fine-Tuning for Text Classification. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (ACL), 328–339.	Hochreiter, S. & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
ชื่อเรียกอื่น	LSTM Transfer Learning, Pre-trained LSTM, LSTM Fine-Tuning, ULMFiT-style LSTM Transfer	LSTM, LSTM network, LSTM-RNN, long short-term memory RNN
ที่เกี่ยวข้อง	5	4
สรุป	Transfer Learning with LSTM is a technique in which a Long Short-Term Memory network is first pre-trained on a large source corpus or task, and then its learned weights are transferred and fine-tuned on a smaller target task. This approach, popularized by ULMFiT (Howard & Ruder, 2018), allows LSTM-based models to reach strong performance even when labeled target data is 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.