Restricted Boltzmann Machine (RBM)
En Restricted Boltzmann Machine er en to-lags generativ probabilistisk modell bestående av synlige (observerte) og skjulte (latente) binære enheter koblet sammen av en urettet bipartitt graf uten forbindelser innenfor samme lag. Opprinnelig introdusert som 'Harmonium' av Paul Smolensky i 1986 og kraftfullt gjenopplivet av Geoffrey Hinton og Ruslan Salakhutdinov i deres landemerkeartikkel i Science fra 2006, ble RBM-er historisk sett sentrale som byggesteinen for grådig lagvis forhåndstrening av Deep Belief Networks, og startet interessen for dype nevrale nettverk etter år med stagnasjon.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Restricted Boltzmann Machine (RBM) — Bipartite Generative Energy Model. ScholarGate. https://scholargate.app/no/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.
- AutoenkoderDyp læring↔ compare
- Deep Belief Network (DBN)Dyp læring↔ compare
- VariasjonsautoenkoderDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →