To lag, ingen forbindelser inden for et lag. En begrænset Boltzmann-maskine består af synlige enheder og skjulte enheder, med forbindelser kun mellem de to grupper. Denne begrænsning gør træning håndterbar gennem kontrastiv divergens.

Modellen lærer en sandsynlighedsfordeling over synlige enheder. Skjulte enheder indfanger latente funktioner. Når netværket er trænet, kan det generere prøver ved at køre Gibbs-sampling mellem lagene.

Nøgleegenskaber

• Todelt grafstruktur
• Energibaseret probabilistisk model
• Kontrastiv divergenstræning
• Bruges som byggesten i dybe trosnetværk

RBM'er var centrale for genoplivningen af ​​deep learning i 2006, da deres stabling muliggjorde effektiv prætræning. Moderne arkitekturer som VAE'er og diffusionsmodeller har i vid udstrækning erstattet dem, men ideerne optræder stadig i energibaseret modelleringsforskning.