本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：工作論文
- 編號：工作論文 #238
- 日期：2026-03-18
摘要
我們提出了可由受限玻爾茲曼機 (RBM) 學習的顯式機率分佈類別，具體取決於它們包含的單元數量，並且代表了模型的表達能力。我們用它來表明，具有 n 個可見單元和 m 個隱藏單元的 RBM 模型的最大 Kullback-Leibler 散度從上面以 (n−1)−log(m+1) 為界。透過這種方式，我們可以指定隱藏單元的數量，以確保包含不同類別的分佈並尊重給定誤差容限的足夠豐富的模型。