Restricted Boltzmann Machine (RBM)
En Restricted Boltzmann Machine er en to-lags generativ probabilistisk model bestående af synlige (observerede) og skjulte (latente) binære enheder forbundet af en urettet bipartit graf uden forbindelser inden for samme lag. Oprindeligt introduceret som 'Harmonium' af Paul Smolensky i 1986 og kraftfuldt genoplivet af Geoffrey Hinton og Ruslan Salakhutdinov i deres skelsættende artikel i Science fra 2006, blev RBM'er historisk centrale som byggesten for grådig lag-vis fortræning af Deep Belief Networks, hvilket genstartede interessen for dybe neurale netværk efter års stagnation.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the Dimensionality of Data with Neural Networks. Science, 313(5786), 504–507. DOI: 10.1126/science.1127647 ↗
- Hinton, G. E. (2002). Training Products of Experts by Minimizing Contrastive Divergence. Neural Computation, 14(8), 1771–1800. DOI: 10.1162/089976602760128018 ↗
- Smolensky, P. (1986). Information Processing in Dynamical Systems: Foundations of Harmony Theory. In D. E. Rumelhart & J. L. McClelland (Eds.), Parallel Distributed Processing, Vol. 1 (pp. 194–281). MIT Press. ISBN: 978-0-262-68053-0
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 20). MIT Press. ISBN: 978-0-262-03561-3
Sådan citerer du denne side
ScholarGate. (2026, June 3). Restricted Boltzmann Machine (RBM) — Bipartite Generative Energy Model. ScholarGate. https://scholargate.app/da/deep-learning/restricted-boltzmann-machine
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AutoencoderDyb læring↔ compare
- Deep Belief Network (DBN)Dyb læring↔ compare
- Variational AutoencoderDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →