두 개의 레이어로 구성되며, 레이어 내부에는 연결이 없습니다. 제한된 볼츠만 머신은 가시 유닛과 은닉 유닛으로 이루어져 있으며, 두 그룹 간에만 연결이 있습니다. 이러한 제한 덕분에 대조 발산 학습을 통해 학습이 용이해집니다.
이 모델은 가시적인 유닛들에 대한 확률 분포를 학습합니다. 은닉 유닛들은 잠재적인 특징을 포착합니다. 학습이 완료되면, 네트워크는 각 레이어 사이에서 깁스 샘플링을 실행하여 샘플을 생성할 수 있습니다.
주요 속성
- 이분 그래프 구조
- 에너지 기반 확률 모델
- 대조적 발산 훈련
- 심층 신념 네트워크의 구성 요소로 사용됨
RBM은 2006년 딥러닝 부흥의 중심이었으며, 당시 RBM을 여러 개 쌓아 올리는 방식을 통해 효과적인 사전 학습이 가능해졌습니다. VAE나 확산 모델과 같은 현대적인 아키텍처들이 RBM을 상당 부분 대체했지만, 그 개념은 여전히 에너지 기반 모델링 연구에서 찾아볼 수 있습니다.
Comments (2)
Leave a comment