เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนกับการสรุปข้อความ	การเรียนรู้แบบถ่ายโอนกับการรู้จำเอนทิตีที่มีชื่อ
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2019–2020	2010 / 2019
ผู้ริเริ่ม	Raffel et al. (T5); Lewis et al. (BART)	Pan & Yang (transfer learning); Devlin et al. (BERT-based NER fine-tuning)
ประเภท	Transfer learning applied to sequence-to-sequence summarization	Supervised sequence labeling via pretrained encoder fine-tuning
แหล่งต้นตำรับ	Raffel, C., Shazeer, N., Roberts, A., Lee, K., Narang, S., Matena, M., Zhou, Y., Li, W., & Liu, P. J. (2020). Exploring the limits of transfer learning with a unified text-to-text transformer. Journal of Machine Learning Research, 21(140), 1–67.	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of NAACL-HLT 2019 (pp. 4171–4186). Association for Computational Linguistics.
ชื่อเรียกอื่น	pretrained summarization model, fine-tuned summarization, TL-summarization, neural abstractive summarization via transfer learning	TL-NER, Fine-Tuned NER, Pretrained Model NER, BERT NER
ที่เกี่ยวข้อง	4	5
สรุป	Transfer Learning with Text Summarization adapts a large language model pre-trained on broad text corpora — such as T5, BART, or PEGASUS — to the task of condensing documents into shorter, coherent summaries. By reusing learned linguistic knowledge and fine-tuning on domain-specific pairs of source documents and reference summaries, this approach achieves strong summarization quality with modest labeled data requirements.	Transfer Learning with Named Entity Recognition (NER) adapts a large pretrained language model — such as BERT, RoBERTa, or a domain-specific encoder — to the task of identifying and classifying named entities (persons, locations, organizations, dates, etc.) in text. By reusing rich linguistic representations learned from massive corpora, this approach requires only modest labeled NER data while achieving state-of-the-art span detection and classification accuracy.