โครงข่ายความเชื่อเชิงลึก (Deep Belief Network: DBN)

โครงข่ายความเชื่อเชิงลึก (DBN) เป็นแบบจำลองความน่าจะเป็นเชิงก่อกำเนิด (generative probabilistic model) ที่ประกอบด้วยชั้นตัวแปรสุ่มแฝง (stochastic, latent variables) หลายชั้น ฮินตัน, โอซินเดโร และเทห์ (Hinton, Osindero, and Teh) ได้นำเสนอ DBNs ในปี 2006 ซึ่งเป็นหนึ่งในสถาปัตยกรรมเชิงลึกชุดแรกๆ ที่สามารถฝึกฝนได้อย่างมีประสิทธิภาพ แต่ละคู่ของชั้นที่อยู่ติดกันจะประกอบกันเป็นเครื่องจักรโบลต์ซมันน์แบบจำกัด (Restricted Boltzmann Machine) และโครงข่ายจะถูกฝึกฝนแบบโลภ (greedily) ทีละชั้น ก่อนที่จะมีการปรับแต่งแบบมีผู้สอน (supervised fine-tuning) เพิ่มเติม DBNs ได้จุดประกายความสนใจในการเรียนรู้เชิงลึกอีกครั้ง และแสดงให้เห็นว่าการเรียนรู้คุณลักษณะแบบลำดับชั้นจากข้อมูลดิบนั้นสามารถทำได้จริง