在本文中，我们从密度估计的角度以及对自然图像统计的特定角度进行了对高斯二元限制的玻尔兹曼机器（GB-RBM）的分析。我们发现，GB-RBMS中可见单元的边际概率分布可以写为高斯人的线性叠加，该叠加位于投影平行的thelelotope的顶点，即在高尺寸中平行的。此外，我们的分析表明，GB-RBMS中可见单元的方差在建模输入分布中起着重要作用。GB-RBM。[1]。在实践中，Lee等人。提议对GB-RBMS施加稀疏的惩罚项[2]。但是，Krizhevsky成功地使用GB-RBMS仅从微小的信息中提取特征[3]。Le Roux等。 定量评估该模型为生成模型[4]，并从IMEGE重建的视图中证明了模型的缺陷。 Cho等。 通过一些补救措施解决了培训程序的缺陷[5]。 Theis等。 进一步说明了基于Loglikelihoody的估计[6]。 我们的分析和结果表明，具有简单对比性差异算法的GB-RBM也能够学习独立的组件，即使学习分布不是数据的良好表示。Le Roux等。定量评估该模型为生成模型[4]，并从IMEGE重建的视图中证明了模型的缺陷。Cho等。 通过一些补救措施解决了培训程序的缺陷[5]。 Theis等。 进一步说明了基于Loglikelihoody的估计[6]。 我们的分析和结果表明，具有简单对比性差异算法的GB-RBM也能够学习独立的组件，即使学习分布不是数据的良好表示。Cho等。通过一些补救措施解决了培训程序的缺陷[5]。Theis等。 进一步说明了基于Loglikelihoody的估计[6]。 我们的分析和结果表明，具有简单对比性差异算法的GB-RBM也能够学习独立的组件，即使学习分布不是数据的良好表示。Theis等。进一步说明了基于Loglikelihoody的估计[6]。我们的分析和结果表明，具有简单对比性差异算法的GB-RBM也能够学习独立的组件，即使学习分布不是数据的良好表示。