Eine Restricted Boltzmann Machine (RBM) basiert auf einem Ansatz des unsupervised Learning, dass eine Wahrscheinlichkeitsverteilung von beobachteten und versteckten Attributen modelliert und latente Merkmalsdarstellungen von Datenpunkten generiert.

Anders als Feed forward Netzwerke (FFN), die eine gerichtete Informationsverarbeitungen haben, sind RBMs ungerichtete Netzwerke, welche die zugehörige Beziehungen von Eingangs- und Ausgangsdaten auf Basis von Wahrscheinlichkeitsverteilungen lernen. Ziel dieses Verfahrens ist, die Parameter der RBM so anzupassen, dass die dargestellte Wahrscheinlichkeitsverteilung so gut wie möglich zu den Trainingsdaten passt. Boltzmann-Maschinen bestehen aus sichtbaren und verborgenen Neuronen. Die sichtbaren Einheiten entsprechen den Komponenten einer Beobachtung, während die versteckten Einheiten die Abhängigkeiten zwischen den Komponenten modellieren. Beispielsweise können Abhängigkeiten zwischen den Pixeln in einem Bild ermittelt werden. Die versteckten Einheiten fungieren als nichtlineare Merkmalsdetektoren, die dazu beitragen, die zugrunde liegenden Muster und Strukturen in den Beobachtungsdaten zu erfassen. Für RBMs spricht unter anderem, dass nicht viel Trainingszeit für dieses Modell benötigt wird. Jedoch muss berücksichtigt werden, dass es nicht für die Modellierung komplexer Daten geeignet ist.

• Restricted Boltzmann Machines (2018)

  Charu C. Aggarwal Neural Networks and Deep Learning p235-270

  Springer International Publishing DOI:10.1007/978-3-319-94463-0_6
• An Introduction to Restricted Boltzmann Machines (2012)

  Asja Fischer, Christian Igel Lecture Notes in Computer Science p14-36

  Springer Berlin Heidelberg DOI:10.1007/978-3-642-33275-3_2