Problema que aborda
Las RNN no aprendían dependencias largas porque el gradiente se desvanecía o explotaba.
Aportación principal
Una celda con memoria y puertas multiplicativas que mantienen el flujo de error constante.
Arquitectura
Celda LSTM (en la versión original, puertas de entrada y salida; la puerta de olvido se añadió después).
Relevancia histórica
Dominó traducción, voz y series temporales hasta la llegada del Transformer.
Implementaciones
torch.nn.LSTM
Referencia
S. Hochreiter, J. Schmidhuber (1997). «Long Short-Term Memory». Neural Computation 9(8), 1735–1780.