我想使用受限玻尔兹曼机进行模式识别。 我注意到它们实际上是用于查找模式分布而不是模式识别。我查看了以下论文:http://www.cs.toronto.edu/~hinton/absps/uai_crbms.pdf它似乎使用了 RBM 的扩展，称为 ConditionalRBM。我想实现这一点。我已经使用对比散度来实现 RBM，为了简单起见，我想在 CRBM 中坚持使用对比散度。本文的重点是用更准确的算法取代对比散度。
从我在论文中看到的，我现在需要创建三个权重矩阵(因为现在我还必须包括分类向量)(参见论文中的图1)，并且我不确定如何更新每个权重矩阵(即如何创建影响矩阵变化的向量。)
有人可以帮我澄清一下这一点，或者建议使用我已经实现的简单 RBM 进行分类的算法吗？
谢谢。
最佳答案
我发现以下论文澄清了这个问题:http://uai.sis.pitt.edu/papers/11/p463-louradour.pdf 。这里的海报也非常有帮助，特别是对于实现:http://www.dmi.usherb.ca/~larocheh/publications/drbm-mitacs-poster.pdf 。使用 2 个权重矩阵就足够了，而不是使用 3 个权重矩阵，一个用于分类向量，一个用于实际模式。
激活概率的公式发生了变化，但想法是相同的。
关于machine-learning - 使用条件限制玻尔兹曼机的对比散度，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/14059966/