To lag, ingen forbindelser innenfor et lag. En begrenset Boltzmann-maskin består av synlige enheter og skjulte enheter, med forbindelser kun mellom de to gruppene. Denne begrensningen gjør trening håndterbar gjennom kontrastiv divergens.

Modellen lærer en sannsynlighetsfordeling over synlige enheter. Skjulte enheter fanger opp latente funksjoner. Når nettverket er trent, kan det generere prøver ved å kjøre Gibbs-sampling mellom lagene.

Viktige egenskaper

• Todelt grafstruktur
• Energibasert sannsynlighetsmodell
• Kontrastiv divergenstrening
• Brukes som byggesteiner i dype trosnettverk

RBM-er var sentrale i den dype læringsvekkelsen i 2006, da stabling av dem muliggjorde effektiv forhåndstrening. Moderne arkitekturer som VAE-er og diffusjonsmodeller har i stor grad erstattet dem, men ideene dukker fortsatt opp i energibasert modelleringsforskning.