通过凸优化过程将数据集的主要方向整合到低秩 RBM 中，从而通过静态蒙特卡罗过程实现平衡分布的高效采样，成功训练 RBM 来捕捉之前方法失败的高度结构化数据集中的全部多样性，并提出了一种新的采样方法 - 平行轨迹调整，使得能够比之前的 MCMC 方法更快地采样训练模型的平衡分布并更好地估计对数似然。

May, 2024

本文提出了将人工神经网络用于蒙特卡罗方法的改进，使其在统计物理问题中的混合时间得以加速，具体应用于 Falicov-Kimball 模型，并在其相变点附近展示了接受比率和自相关时间的提高。

Oct, 2016

本文描述了如何使用更高效的马尔可夫链蒙特卡罗算子来训练受限玻尔兹曼机 (RBM)，以有效地处理自然语言处理中的高维度多项式观察值，通过在数百万个单词 n-gram 上训练 RBM，并使用所学特征来提高分块和情感分类任务的性能，从而实现了后一项的最新成果。

Feb, 2012

本文提出了在 RBMs 的能量函数中引入另一项以显式地建模输入数据中的局部空间交互作用，以建模全局动态和本地空间交互作用的理论扩展，通过提出的学习方法，在两个计算机视觉应用程序上评估了改进的 RBM 模型：面部表情识别和人体动作识别，并在基准数据库上展示了所提出算法的有效性。

Oct, 2017

提出一种基于紧凑遗传算法的 EDA 方法，只更新经历考虑后的信息，证明了该方法可在近线性时间内优化 OneMax、LeadingOne 和 BinVal 等基准函数，对于其他 EDA 和进化算法还未有类似的结果。同时证明了其他两种算法无法在多项式时间内优化 OneMax。

Jul, 2018

本研究提出了一种新方法，使用受限玻尔兹曼机（RBMs）来解决组合优化问题，从而有效地绕过在大型 RBMs 中学习的问题，并创建一个能够建模大型复杂多模态空间的系统。研究结果表明，这种方法可以有效地解决布尔可满足性问题和其他组合优化问题，对于相同的样本大小，这种方法可以提供比完全训练模型更准确的结果。

Sep, 2019

我们提出了相应的量子算法来解决 Restricted Boltzmann Machines 结构学习问题，并证明这些算法相对于经典算法在这两类 RBMs 的结构学习中具有多项式加速。

Sep, 2023

介绍了一种新型条件生成模型（Neural Boltzmann Machines），可以很好地解决噪声离散或连续数据，使用随机梯度下降法进行训练，尤其在正常分布数据方面表现优越。

May, 2023

本文介绍了深度学习方法如何应用于众包和无监督集成学习，证明了在 Dawid 和 Skene 模型下，假定所有分类器是条件独立的，等价于具有单个隐藏节点的受限玻尔兹曼机 (RBM)，提出了采用基于 RBM 的深度神经网络 (DNN) 的方法来解决分类器强烈违反条件独立性假设的问题，实验结果表明，我们提出的 DNN 方法在各种模拟和实际数据集上表现优异，尤其是当数据违反条件独立性假设时。

Feb, 2016

本文提出了一种基于集成高斯过程模型的贝叶斯优化算法（EBO），以解决黑盒函数优化问题中大规模观测、高维输入空间和批量查询质量与多样性平衡等三大挑战。结果表明，EBO 能在几分钟内扩展到数万次观测，同时取得了前所未有的优化效果。

Jun, 2017