ディープボルツマンマシン(DBM)は確率的な深層学習モデルである。DBMの最尤学習（ファイン・チューニング）にはDBMの変数に関する期待値計算が必要となるが、期待値の厳密計算には指数時間の計算量がかかってしまうため、期待値を何らかの方法で近似しながら学習する必要がある。しかしながら、DBMの学習の性能向上を目的とした研究は少ない。そこで本講演では、モデルの空間情報を考慮した近似手法である空間モンテカルロ積分(SMCI)法をDBMに適用した学習法を提案する。SMCI法は従来法よりも厳密値に近い期待値の近似を可能とし、従来法よりも高精度の学習を行うことを可能とする。