Restricted Boltzmann Machine (RBM)
En Restricted Boltzmann Machine är en tvålagers generativ probabilistisk modell som består av synliga (observerade) och dolda (latenta) binära enheter, sammankopplade via en oriktad bipartit graf utan kopplingar inom samma lager. Ursprungligen introducerad som 'Harmonium' av Paul Smolensky 1986 och kraftfullt återupplivad av Geoffrey Hinton och Ruslan Salakhutdinov i deras banbrytande artikel i Science 2006, blev RBM:er historiskt avgörande som byggsten för girig lager-för-lager förträning av Deep Belief Networks, vilket återuppväckte intresset för djupa neurala nätverk efter år av stagnation.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Restricted Boltzmann Machine (RBM) — Bipartite Generative Energy Model. ScholarGate. https://scholargate.app/sv/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.
- AutoencoderDjupinlärning↔ compare
- Deep Belief Network (DBN)Djupinlärning↔ compare
- Variational AutoencoderDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →