Restricted Boltzmann Machines (RBM)

受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）是一种特殊的概率图模型，其核心特征在于将可见层与隐藏层之间的连接限制为全连接，而层内神经元之间完全无连接。该模型利用能量函数（Energy Function）描述系统状态，通过对比度估计（Contrastive Divergence）等算法进行无监督训练，旨在从原始数据中提取高维特征表示。作为深度学习的早期重要突破，RBM 解决了传统神经网络难以进行大规模无监督预训练的问题，为构建深层网络提供了有效的初始化策略。

在现代计算架构与大数据处理生态中，受限玻尔兹曼机扮演着从原始数据中挖掘潜在结构的关键角色。尽管其作为独立模型的直接应用因深度学习的兴起而有所退居二线，但其核心思想——无监督特征学习与预训练——已成为现代深度学习架构的基石。它广泛应用于数据降维、异常检测、图像压缩以及作为生成模型（如生成对抗网络 GAN）的判别器或生成器组件。在大数据场景下，RBM 能够处理高维稀疏数据，通过聚类分析发现数据分布的内在规律，为后续的有监督学习提供高质量的特征输入，显著提升了复杂模型的收敛速度与泛化能力。