RNN (Rede Neural Recorrente) é uma arquitetura de rede neural projetada para processar dados sequenciais, como texto, áudio e séries temporais. Diferente das redes feedforward tradicionais, as RNNs possuem conexões cíclicas que permitem que informações de passos anteriores influenciem o processamento do passo atual — a rede tem uma forma de "memória" de curto prazo. O estado oculto da RNN é atualizado a cada passo da sequência, acumulando contexto. As variantes mais importantes incluem LSTM (Long Short-Term Memory), que resolve o problema do gradiente que desaparece em sequências longas usando portões de memória, e GRU (Gated Recurrent Unit), uma versão simplificada do LSTM. As RNNs foram a arquitetura dominante em PLN antes do surgimento dos Transformers em 2017. Hoje, os Transformers substituíram as RNNs na maioria das tarefas de linguagem, pois processam sequências em paralelo (mais eficientes em hardware moderno) e capturam dependências de longo alcance melhor. As RNNs ainda são usadas em algumas aplicações de séries temporais e processamento de áudio em tempo real onde o processamento passo-a-passo é necessário, mas perderam dominância nos benchmarks de NLP.
Navegar por letra: