Machine de Boltzmann restreinte (RBM)

Une machine de Boltzmann restreinte (RBM) est un type de réseau neuronal artificiel (ANN) pour l'apprentissage automatique de distributions de probabilité. Un réseau neuronal artificiel est un système de matériel et/ou de logiciel qui s'inspire du fonctionnement des neurones du cerveau humain. Créés par Geoff Hinton, les algorithmes RBM sont utiles pour définir la réduction de la dimensionnalité, la classification, la régression, le filtrage collaboratif, l'apprentissage de caractéristiques et la modélisation de sujets. Comme les perceptrons, ils constituent un type de réseau neuronal relativement simple. Les RBM entrent dans la catégorie des modèles stochastiques et génératifs de l'intelligence artificielle. On entend par stochastique tout ce qui utilise des probabilités ou des méthodes génératives pour générer le résultat souhaité. Les modèles génératifs s'opposent aux modèles discriminants, qui classifient les données existantes. Comme tous les réseaux neuronaux multicouches, les RBM comportent des couches de neurones artificiels, deux dans leur cas. La première est appelée couche d'entrée. La seconde est une couche cachée qui n'accepte que ce que la première couche lui transmet. La restriction dont parle le RBM est que les différents neurones d'une même couche ne peuvent pas communiquer entre eux. Les neurones ne peuvent communiquer qu'avec les couches qui leur sont inférieures. Dans une machine de Boltzmann standard, les couches cachées de neurones communiquent entre elles. Chaque nœud au sein d'une couche effectue ses propres calculs. Le nœud effectue ses propres calculs et décide ensuite s'il transmet la couche à la suivante. Bien que les RBM soient encore parfois utilisés, ils ont surtout été remplacés par des réseaux adversatifs génératifs ou des auto-encodeurs vibratoires.