Long Short-Term Memory

      论文概述了长短期记忆（LSTM），这是一种旨在解决传统循环神经网络在学习长期依赖关系时遇到的梯度消失问题的高效、基于梯度的方法。通过引入具有固定自我连接的记忆单元，并使用乘法门单元来控制信息流，LSTM可以在很长的时间间隔内保持错误信号，使其能够解决以前的算法无法解决的复杂问题。该论文通过针对噪声序列、分布式连续值表示和时间顺序的任务进行的实验，证明了LSTM相对于现有方法的优越性，例如实时循环学习和通过时间的反向传播，并讨论了其计算复杂度和局限性。