Machine de Boltzmann restreinte

Machine de Boltzmann restreinte

Type	Stochastic neural network (en), machine de Boltzmann (en)
Nom court	(en) RBM
Inventeurs	Paul Smolensky, Geoffrey Hinton
Date d'invention	1986

modifier - modifier le code - modifier Wikidata

En apprentissage automatique, la machine de Boltzmann restreinte (en anglais : restricted boltzmann machine ou RBM) est un type de réseau de neurones artificiels pour l'apprentissage non supervisé.

Une RBM est constituée de deux couches de neurones : une couche visible représentant les variables d'entrée et une couche cachée représentant les variables latentes apprises par le modèle. Les neurones visibles sont connectés aux neurones cachés, sans connexion au sein de chaque couche. Fondés sur des modèles de probabilité, les états des neurones sont déterminés par des probabilités conditionnelles. L'apprentissage se fait par l'algorithme de contrastive divergence (CD), qui ajuste les poids et biais pour minimiser la divergence entre les distributions des données d'entrée et celles générées par le modèle.

La machine de Boltzmann restreinte est couramment utilisée pour estimer la distribution probabiliste d'un jeu de données. Elle a initialement été inventée sous le nom de Harmonium en 1986 par Paul Smolenski^[1]. Elle entre dans le cadre des modèles graphiques et des modèles à base d'énergie^[2].