Long Short-Term Memory (LSTM) bezeichnet eine spezielle Art von rekurrenten neuronalen Netzen RNNs, die insbesondere für die Verarbeitung von sequenziellen Daten wie Texten, Zeitreihen oder Sprache entwickelt wurde. Im Gegensatz zu herkömmlichen RNNs können LSTMs aufgrund ihrer einzigartigen Architektur sowohl kurzfristige als auch langfristige Abhängigkeiten in Daten effektiv erfassen und verarbeiten. Dies macht sie zu einem wichtigen Werkzeug im Bereich des maschinellen Lernens und der künstlichen Intelligenz.
Die Besonderheit von LSTMs liegt in ihren sogenannten Memory-Zellen und Gates. Die Memory-Zelle dient als Speicher, der Informationen über lange Zeiträume hinweg aufrechterhalten kann. Die Gates (Eingangs-, Ausgangs- und Vergessensgate) regulieren, welche Informationen in die Zelle fließen, gespeichert werden und wieder freigegeben werden. Das Vergessensgate entscheidet beispielsweise, welche Teile der gespeicherten Informationen überschrieben oder behalten werden sollen. Diese Mechanismen ermöglichen es LSTMs, die sogenannte „Vergessenskurve“ zu überwinden, die bei herkömmlichen RNNs ein Problem darstellt.
LSTMs finden Anwendung in vielfältigen Bereichen, wie der Sprachverarbeitung, der Textübersetzung, der Vorhersage von Zeitreihen oder der Steuerung von Robotern. Sie sind besonders nützlich, wenn es darum geht, Muster in sequenziellen Daten zu erkennen und vorherzusagen. Durch ihre Fähigkeit, komplexe zeitliche Beziehungen zu modellieren, haben LSTMs maßgeblich zur Entwicklung fortschrittlicher AI-Systeme beigetragen.