Dwie warstwy, brak połączeń w obrębie warstwy. Ograniczona maszyna Boltzmanna składa się z jednostek widocznych i ukrytych, z połączeniami tylko między tymi dwiema grupami. To ograniczenie sprawia, że ​​trening jest podatny na wpływ kontrastu dywergencji.

Model uczy się rozkładu prawdopodobieństwa na widocznych jednostkach. Ukryte jednostki wychwytują cechy ukryte. Po wytrenowaniu sieć może generować próbki, uruchamiając próbkowanie Gibbsa między warstwami.

Kluczowe właściwości

• Struktura grafu dwudzielnego
• Model probabilistyczny oparty na energii
• Trening dywergencji kontrastowej
• Używane jako elementy budulcowe w sieciach głębokich przekonań

Modele RBM odegrały kluczową rolę w odrodzeniu głębokiego uczenia się w 2006 roku, kiedy ich łączenie umożliwiło efektywne wstępne trenowanie. Nowoczesne architektury, takie jak modele VAE i modele dyfuzyjne, w dużej mierze je zastąpiły, ale idee te nadal pojawiają się w badaniach nad modelowaniem energetycznym.