Två lager, inga kopplingar inom ett lager. En begränsad Boltzmann-maskin består av synliga enheter och dolda enheter, med kopplingar endast mellan de två grupperna. Den begränsningen gör träning hanterbar genom kontrastiv divergens.

Modellen lär sig en sannolikhetsfördelning över synliga enheter. Dolda enheter fångar latenta funktioner. När nätverket har tränats kan det generera samplingar genom att köra Gibbs-sampling mellan lagren.

Viktiga egenskaper

• Tvådelad grafstruktur
• Energibaserad probabilistisk modell
• Kontrastiv divergensträning
• Används som byggstenar i djupa trosnätverk

RBM:er var centrala för återupplivandet av djupinlärning 2006, då stapling av dem möjliggjorde effektiv förträning. Moderna arkitekturer som VAE:er och diffusionsmodeller har till stor del ersatt dem, men idéerna förekommer fortfarande i energibaserad modelleringsforskning.