Boltzmann Machines

Son modelos probabilísticos estocásticos diseñados para representar distribuciones de probabilidad sobre un conjunto de variables.

Su estructura se basa en redes neuronales con nodos que imitan el comportamiento de neuronas biológicas, utilizando conexiones simétricas y sin ciclos.

Funcionan asignando una energía a cada configuración de variables, buscando minimizar la energía interna para identificar patrones o representaciones latentes en los datos.

Han sido históricamente utilizadas para problemas de optimización, reconocimiento de patrones y reducción de dimensionalidad.

La versión restringida, conocida como Restricted Boltzmann Machines (RBM), limita las conexiones únicamente entre dos capas de nodos, simplificando el proceso de entrenamiento.

Son especialmente relevantes en la preentrenamiento de redes profundas, sirviendo como bloques básicos en Deep Belief Networks (DBN).

Su entrenamiento utiliza métodos como el algoritmo de contraste divergente, basado en aproximaciones probabilísticas.