Ein Deep Belief Network besteht aus mehreren Schichten von Restricted Boltzmann Machines (RBMs) oder Autoencodern, die aufeinander folgen. Jede Schicht (Layer) wird einzeln und nacheinander trainiert und liefert ihre Ausgabe als Eingabe an die nächste Schicht. Bei DBNs handelt es sich um generative Modelle. Solche Modelle lernen die Wahrscheinlichkeitsverteilung der Daten, um auf Basis dessen, neue Daten generieren zu können, die der gelernten Verteilung ähneln.

Obwohl sie eine wichtige Rolle in der Entwicklung des Deep Learning gespielt haben, werden diese heutzutage seltener verwendet, da sich andere Methoden, wie z.B. das Convolutional Neural Networks (CNNs) als effektiver für viele Aufgaben erwiesen hat.

• Deep belief networks (2009)

  Geoffrey Hinton Scholarpedia 4/5 p5947

  Scholarpedia DOI:10.4249/scholarpedia.5947