Eingeschränkte Boltzmann-Maschine
Eingeschränkte Boltzmann-MaschineEs handelt sich um ein zufälliges neuronales Netzwerkmodell mit einer zweischichtigen Struktur, gestapelten Verbindungen und ohne autonomes Feedback. Seine Merkmale sind die vollständige Verbindung innerhalb der Schicht und keine Verbindung außerhalb der Schicht. Es wurde von Geoff Hinton und anderen von der Universität Toronto vorgeschlagen und kann für Dimensionsreduktion, Klassifizierung, Regression, kollaboratives Filtern, Merkmalslernen und Subjektmodellierungsalgorithmen verwendet werden.
Die obere Schicht der Neuronen in der eingeschränkten Boltzmann-Maschine bildet die verborgene Schicht, und der h-Vektor stellt den Wert der Neuronen in der verborgenen Schicht dar. Die untere Neuronenschicht bildet die sichtbare Schicht, und der v-Vektor stellt den Wert der Neuronen in der sichtbaren Schicht dar.
Im Gegensatz zur Boltzmann-Maschine verfügt die eingeschränkte Boltzmann-Maschine über keine Verbindungen innerhalb der Schicht, sodass man sie als eingeschränkt bezeichnen kann, also als vereinfachtes Boltzmann-Maschinenmodell.