Waarom is dit belangrijk?
Onderzoekers kunnen met een restricted Boltzmann machine samenhang in grote meetreeksen opsporen, ook zonder vaste regels vooraf. In de wetenschap helpt het model bij immunologisch onderzoek en bij de studie van kwantumsystemen met veel deeltjes. Studenten en onderzoekers krijgen daarmee een extra hulpmiddel om gegevens te ordenen, maar de uitkomst blijft een schatting die nader zorgvuldig moet worden gecontroleerd.
Zo werkt het in de praktijk
Een restricted Boltzmann machine brengt veel kenmerken terug tot een kleiner aantal, deelt gegevens in en zoekt onderwerpen in tekst. Onderzoekers van de University of Toronto beschreven er korte stukjes spraak mee voor klankherkenning op de verzameling TIMIT.
Zij vroegen of het model de verdeling van ruwe spraak kan leren. Trainen gebeurde met contrastive divergence, een benadering van de kans van de data. Een tweede netwerk zette de kenmerken om in een schatting van de klank.
Contrastive divergence past de gewichten aan met gradient descent. Het model vergelijkt de invoer met een reconstructie en berekent de aanpassing. In een deep belief network stapelen onderzoekers meerdere machines en sturen zij het netwerk bij met backpropagation, dat fouten terugrekent.




