2006年にトロント大学のジェフリー・ヒントンによって提唱されたニューラルネットワークの一種。
入力されたデータに次元削減を施すことで、データを表現するために重要な特徴を抽出する。

オートエンコーダには、入力層（エンコーダー）、出力層（デコーダー）とその間に特徴量を抽出するための隠れ層がある。
入力層、出力層は、可視層ともいう。
入力されたデータを一度圧縮し、隠れ層で重要な情報のみを抽出し、それ以外の情報を削ぎ落し、出力層で元のサイズに復元する。

隠れ層でデータを圧縮しても出力層で復元するためには、データをもっとも代表する重要度の高い情報だけを残さなければならない。
隠れ層の次元（ノードの数）が入力層・出力層より少ないことで、入力層と出力層が同じデータを持つよう学習することになる。

ReLU関数が主流になる前は、勾配消失問題の解消のためにオートエンコーダが利用された。
ニューラルネットワークの重みの初期値に、オートエンコーダで事前に学習したパラメータ値を用いることで、勾配消失による学習度低下を防止する効果があった（事前学習）。
実用上は、複数のオートエンコーダを積み重ねて順番に学習させる積層オートエンコーダが利用される。（前のオートエンコーダの隠れ層が、次のオートエンコーダの可視層となる。）


またオートエンコーダによる情報圧縮によってデータが粗な状態になるため、過学習の防止にも効果的だった。

2010年代以降、アルゴリズムの改良により、事前学習を行わなくても十分な精度が出るようになったため、オートエンコーダはニューラルネットワークの学習に直接利用されることはなくなった。
現在は、画像からのノイズ除去や異常検知に使用されたり、「変分オートエンコーダー（VAE)」という深層生成モデルに使用されている。

教師なし学習に制限付きボルツマンマシンという手法を用いる生成ニューラルネットワーク。
制限付きボルツマンマシンや変分オートエンコーダを積み重ねたアーキテクチャといえる。

1985年にジェフリー・ヒントンらによって開発された確率的回帰結合型ニューラルネットワークの一種で、生成モデルのひとつ。

複数のピークをもつ分布になりうるため、比較的複雑なデータ構造に対応できる。

ボルツマンマシンの学習には非常に多くの計算時間を必要とするため、あまり実用的とは考えられてこなかったが、ここ十数年でその状況はかなり変化してきた。

確率的深層学習モデルのひとつであるディープボルツマンマシンなどにも発展。

ディープボルツマンマシンは、深層信念ネットワークの拡張であり、ボルツマンマシンを基礎とした最新の確率的深層学習モデルである。