เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนด้วยโครงข่ายประสาทเทียมแบบเวียนซ้ำ	เครือข่ายประสาทเทียมแบบวนซ้ำที่ปรับละเอียด (Fine-Tuned Recurrent Neural Network)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010 (TL survey); RNN: 1986	2015–2018
ผู้ริเริ่ม	Pan, S. J. & Yang, Q. (transfer learning survey); RNN origins: Rumelhart, D. E. et al. (1986)	Popularised by Howard & Ruder (ULMFiT, 2018); RNN fine-tuning concept developed iteratively in the NLP community from ~2015
ประเภท	Transfer learning on sequence model	Transfer learning / sequential model adaptation
แหล่งต้นตำรับ	Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.	Howard, J. & Ruder, S. (2018). Universal Language Model Fine-Tuning for Text Classification. Proceedings of ACL 2018, 328–339.
ชื่อเรียกอื่น	TL-RNN, Pretrained RNN, RNN Transfer Learning, Recurrent Transfer Learning	Fine-Tuned RNN, RNN Fine-Tuning, domain-adapted RNN, pre-trained RNN with downstream adaptation
ที่เกี่ยวข้อง	5	6
สรุป	Transfer Learning with Recurrent Neural Network (TL-RNN) reuses weights learned by an RNN on a large source task — such as language modelling or sequence prediction — and adapts them to a new, often smaller target task. This strategy lets practitioners obtain strong sequence-modelling performance without the need for massive labelled datasets.	A Fine-Tuned Recurrent Neural Network (RNN) starts from a model pre-trained on large corpora or time-series data and adapts its weights to a specific downstream task through controlled gradient updates. The approach dramatically cuts the labeled data needed for strong sequence modeling performance in text classification, named entity recognition, sentiment analysis, and related tasks.