自正则化受限玻尔兹曼机

聚焦于普通受限玻尔兹曼机的巨正则扩展，我们提出了一种基于能量的特征提取模型，其使用一层大小可变的隐单元。通过适当选取化学势，并在给定足够多隐资源的情况下，该生成模型能够高效推断学习目标数据所需的最优隐单元数，且泛化误差极小。巨正则系综的形式简洁性，结合平均场论中快速收敛的近似，使我们能在训练期间以微小改动复用成熟的数值算法，如对比散度。作为原理验证并展示巨正则玻尔兹曼机的新特性，我们在来自 Ising 理论与 MNIST 的数据上训练了我们的生成模型。