Dos capas, sin conexiones dentro de cada capa. Una máquina de Boltzmann restringida consta de unidades visibles y ocultas, con conexiones únicamente entre los dos grupos. Esta restricción facilita el entrenamiento mediante divergencia contrastiva.

El modelo aprende una distribución de probabilidad sobre las unidades visibles. Las unidades ocultas capturan características latentes. Una vez entrenada, la red puede generar muestras mediante el muestreo de Gibbs entre las capas.

Propiedades clave

• Estructura de grafo bipartito
• Modelo probabilístico basado en la energía
• Entrenamiento de divergencia contrastiva
• Se utilizan como bloques de construcción en redes de creencias profundas.

Las RBM fueron fundamentales para el resurgimiento del aprendizaje profundo en 2006, cuando su combinación permitió un preentrenamiento eficaz. Arquitecturas modernas como las VAE y los modelos de difusión las han reemplazado en gran medida, pero las ideas aún aparecen en la investigación de modelos basados ​​en energía.