A LSTM foi projetada para corrigir os problemas de dissipação do gradiente (quando o gradiente do erro se torna tão grande a ponto de instabilizar e parar o treinamento) ou a explosão de gradiente (quando gradiente do erro se aproxima do zero e causa uma lentidão no treinamento) existentes nas redes neurais recorrentes.

A LSTM foi projetada para corrigir os problemas de dissipação do gradiente (quando gradiente do erro se aproxima do zero e causa uma lentidão no treinamento) ou a explosão de gradiente (quando o gradiente do erro se torna tão grande a ponto de instabilizar e parar o treinamento) existentes nas redes neurais recorrentes.

A LSTM foi projetada para corrigir os problemas de alta complexidade das CNN (quando a quantidade de nós fica tão grande que o processo de treinamento se torna lento, causando a dissipação do gradiente de erro).

A LSTM foi projetada para corrigir os problemas de baixa complexidade das RNN (quando a quantidade de nós fica se aproxima de zero e causa uma lentidão no treinamento).

A LSTM foi projetada para corrigir os problemas de baixa complexidade das MLPs (pois o treinamento das MLPs é feito apenas por alimentação à frente, por ser uma FNN).