Dvě vrstvy, žádná spojení uvnitř vrstvy. Omezený Boltzmannův stroj se skládá z viditelných jednotek a skrytých jednotek, přičemž spojení existují pouze mezi těmito dvěma skupinami. Toto omezení umožňuje trénování pomocí kontrastivní divergence.

Model se učí rozdělení pravděpodobnosti přes viditelné jednotky. Skryté jednotky zachycují latentní znaky. Po natrénovanosti může síť generovat vzorky prováděním Gibbsova vzorkování mezi vrstvami.

Klíčové vlastnosti

• Struktura bipartitního grafu
• Pravděpodobnostní model založený na energii
• Trénink kontrastní divergence
• Používá se jako stavební bloky v sítích hlubokých přesvědčení

Modely RBM byly klíčové pro oživení hlubokého učení v roce 2006, kdy jejich kombinování umožnilo efektivní předtrénování. Moderní architektury, jako jsou VAE a difuzní modely, je z velké části nahradily, ale tyto myšlenky se stále objevují ve výzkumu modelování založeného na energii.