Waarom is dit belangrijk?
Dankzij een Boltzmann-machine kunnen modellen structuur in gegevens schatten, ook wanneer maar weinig voorbeelden een label hebben. In de wetenschap worden beperkte varianten ingezet voor spraakherkenning, eerst met veel invoer zonder label en daarna met weinig labels. Voor studenten en werknemers verklaart het een stap naar diepe netwerken, maar het trainen wordt traag en onnauwkeurig zodra het netwerk groter wordt.
Zo werkt het in de praktijk
In de mediasector zette Netflix een beperkte Boltzmann-machine in voor collaborative filtering. Die methode vergelijkt keuzes van vergelijkbare kijkers en schat welke titel past. In de immunologie gebruiken onderzoekers het model ook.
De University of Waterloo, Simon Fraser University en D-Wave Systems onderzoeken een kwantumvariant. Zij vragen of een kwantumprocessor steekproeven levert voor de training. Het voorstel vergelijkt die training met de klassieke Boltzmann-machine.
Bij de beperkte Boltzmann-machine heet de trainingsmethode contrastive divergence. Die methode vergelijkt twee korte steekproeven en past dan de gewichten aan. De gewone Boltzmann-machine sluit aan op simulated annealing, waarbij de rekentemperatuur daalt tot een stabiele verdeling.




