首先，当您添加隐藏层或堆叠 RBM 时，您将获得一个深度信念网络 (DBN)。然后，您的问题涉及 DBN 和 RBM 的比较。

在 Nicolas Le Roux 的文章Representational Power of Restricted Boltzmann Machines and Deep Belief Networks中有一些元素可以回答这个问题，这些课程幻灯片中对此进行了总结。主要结果是：

受限玻尔兹曼机：

• 增加隐藏单元的数量可以提高表示能力。

• 对于无限数量的单位，任何分布$\{0,1\}^n$可以任意近似。

深度信念网络：

• 使用贪心对比发散训练添加额外的层不会提供额外的好处。

• 关于附加层增加的好处仍然存在悬而未决的问题。

我强调了$4^{th}$这一点涵盖了您的问题。这并不意味着额外的层是无用的，但由于 RBM 是通用逼近器（$2^{nd}$点），添加层的好处似乎不那么简单。它们似乎依赖于第一层，即训练过程……您可以查看文章了解更多详细信息以及关于 DBN 提出的未解决问题。请注意，此答案是该主题的切入点，本文后面可能会有我不熟悉的最新结果...