EBM模型有兩種不同的含義和套用領域。
一種是基於梯度提升框架的解釋性基準模型（EBM），這是一種專注於提供高度解釋性結果的模型。它的主要特點包括局部可解釋性、非線性建模能力、以及提供特徵重要性分析。EBM的工作原理基於梯度提升機的思想，通過一組通常為決策樹的基本學習器逐步生成，每一步都根據之前步驟的殘差來糾正模型的預測。此外，EBM在醫療診斷、金融風險評估、客戶行為分析等領域表現出色。
另一種是基於能量的模型（EBM），其原型源自統計物理中用於描述粒子分布的模型。在機器學習中，EBM最早的套用可以追溯到1985年的玻爾茲曼機機率模型，它使用能量來學習未知的機率分布。EBM在深度學習領域重新受到關注，並在生成式模型中有廣泛套用。它通過神經網路對隨機變數的密度進行建模，並使用最大似然估計（MLE）進行學習。在訓練過程中，EBM通過最佳化能量函式來生成合格的樣本。