Kısıtlı Boltzmann Makinesi (RBM)
Restricted Boltzmann Machine (RBM) — Bipartite Generative Energy Model · Ayrıca şöyle bilinir: RBM, Harmonium, restricted Boltzmann machine, RBM generative model, stochastic recurrent neural network
Kısıtlı Boltzmann Makinesi, görünür (gözlemlenen) ve gizli (örtük) ikili birimlerden oluşan, katman içi bağlantıları olmayan, yönsüz çift taraflı bir grafikle birbirine bağlı iki katmanlı üretken olasılıksal bir modeldir. Orijinal olarak 1986'da Paul Smolensky tarafından 'Harmonium' olarak tanıtılan ve Geoffrey Hinton ile Ruslan Salakhutdinov tarafından 2006 tarihli dönüm noktası niteliğindeki Science makalelerinde güçlü bir şekilde yeniden canlandırılan RBM'ler, Derin İnanç Ağlarının açgözlü katman-katman ön eğitiminin yapı taşı olarak tarihsel olarak kritik öneme sahip hale gelmiş ve yıllarca süren durgunluğun ardından derin sinir ağlarına olan ilgiyi yeniden başlatmıştır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
RBM, ikili veya gerçek değerli verilerden denetimsiz temsil öğrenme, bir veri dağılımının üretken modellemesi veya işbirlikçi filtreleme (Netflix Ödülü çalışmaları gibi) hedeflendiğinde uygundur. Özellikle Derin İnanç Ağlarının bir yapı taşı olarak kullanıma uygundur; burada açgözlü katman-katman RBM ön eğitimi, denetimli ince ayardan önce iyi bir ağırlık başlatması sağlar. Girdilerin değişebilir olduğu varsayılır; model sıralı yapıyı doğrudan modellemez. Modern üretken görevler için, Değişimsel Otomatik Kodlayıcılar veya difüzyon modelleri genellikle tercih edilir; RBM'ler fizik tabanlı makine öğrenimi, kuantum hesaplama simülasyonu ve enerji tabanlı modeller için bir öğretim aracı olarak önemini korumaktadır.
Güçlü yönler & sınırlılıklar
- Çift taraflı yapı nedeniyle çözülebilir blok Gibbs örneklemesi: tüm gizli (veya görünür) birimler diğer katman verildiğinde eş zamanlı olarak örneklenir.
- Kontrastif Sapma, büyük veri kümelerine ölçeklenen verimli, eğer yaklaşık olsa da, bir öğrenme algoritması sağlar.
- Hinton ve Salakhutdinov'un boyut azaltma deneylerinde gösterildiği gibi, iyi genelleşen anlamlı örtük temsiller çıkarma yeteneği gösterilmiştir.
- Derin İnanç Ağlarının temel yapı taşı olarak hizmet eder, derin mimarilerin açgözlü katman-katman ön eğitimini sağlar.
- Doğal olarak olasılıksaldır: model, nokta tahminleri yerine konfigürasyonlar üzerinde kalibre edilmiş olasılıklar sağlar.
- Bölüm fonksiyonu Z büyük ağlar için çözülemezdir, bu da tam log-olabilirlik değerlendirmesini ve tam gradyan hesaplamasını imkansız hale getirir.
- Kontrastif Sapma, gerçek gradyanın yanlı bir tahmincisidir; özellikle CD-1, gerçek maksimum olabilirlik çözümüne yakınsamaz.
- Eğitim, öğrenme oranı, gizli birim sayısı ve CD adımları sayısının seçimine duyarlı olabilir.
- İkili görünür birimler standart formülasyondur; Gauss veya diğer gerçek değerli birimlere uzantılar mevcuttur ancak ek karmaşıklık getirir.
- Çoğu modern üretken ve temsil öğrenme görevleri için Değişimsel Otomatik Kodlayıcılar, GAN'lar ve difüzyon modelleri tarafından geçilmiştir.
SSS
Bir RBM'yi 'kısıtlı' yapan nedir?
Kısıtlama, görünür katman ve gizli katman içinde bağlantıların olmamasıdır. Yalnızca iki katman arasındaki bağlantılara izin verilir, bu da çift taraflı bir graf oluşturur. Bu kısıtlama, çıkarımı çözülebilir hale getirir: tüm gizli birimler görünür birimler verildiğinde koşullu olarak bağımsızdır ve tersi de geçerlidir, bu da eş zamanlı blok örneklemeyi mümkün kılar.
Kontrastif Sapma nasıl çalışır ve neden yaklaşıktır?
CD-k, bir eğitim veri noktasından başlar, alternatif Gibbs örneklemesinin k adımını çalıştırır ve elde edilen örneği model dağılımından tam bir örnek yerine kullanır. Log-olabilirlik fonksiyonunun tam gradyanı, gerçek model dağılımı altındaki beklentileri gerektirir, bu da zinciri yakınsamaya (çok sayıda adım) çalıştırmayı gerektirir. Küçük k ile CD-k yanlı bir yaklaşımdır, ancak hesaplama açısından ucuzdur ve pratikte iyi çalışır.
RBM'ler sürekli verileri işleyebilir mi?
Standart RBM ikili görünür ve gizli birimler kullanır. Gauss-görünür RBM'ler, görünür sigmoid'u bir Gauss gürültü modeliyle değiştirerek, görüntü piksel yoğunlukları veya spektral özellikler gibi gerçek değerli girdilere olanak tanır. Gizli birimler genellikle ikili kalır. Gauss-görünür RBM'lerin eğitimi, ikili duruma göre daha az kararlı olabilir ve girdilerin dikkatli bir şekilde normalize edilmesini gerektirir.
RBM'ler modern derin öğrenmede hala kullanılıyor mu?
Üretim veya temsil öğrenme için ön cephe yöntemi olarak nadiren, çünkü VAE'ler, GAN'lar ve difüzyon modelleri artık hakim durumda. Ancak, RBM'ler fizik tabanlı makine öğreniminde (ızgara modelleri, faz geçişleri), kuantum kimyasında sinir ağı kuantum durumları olarak ve enerji tabanlı olasılıksal bir modelin pedagojik olarak açık bir örneği olarak aktif araştırma kullanımını sürdürmektedir.
Kaynaklar
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Restricted Boltzmann Machine (RBM) — Bipartite Generative Energy Model. ScholarGate. https://scholargate.app/tr/deep-learning/restricted-boltzmann-machine
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Otomatik kodlayıcıDerin öğrenme↔ karşılaştır
- Derin İnanç Ağı (DBN)Derin öğrenme↔ karşılaştır
- Varyasyonel Otomatik KodlayıcıDerin öğrenme↔ karşılaştır