Convolución
Sinónimos: Convolution
Definición ampliada
La convolución, o convolution, combina una señal con un núcleo que se desplaza sobre ella. En una red neuronal convolucional, los coeficientes de ese núcleo se aprenden: la misma operación local se aplica en muchas posiciones y produce mapas de características.
En bibliotecas de aprendizaje profundo suele implementarse, por eficiencia, una correlación cruzada sin invertir el núcleo. La arquitectura se sigue llamando convolucional porque conserva las propiedades prácticas de localidad y parámetros compartidos.
Contexto histórico
La operación procede del análisis de señales. Las redes que compartían pesos sobre una entrada espacial se consolidaron con sistemas de reconocimiento de documentos como LeNet [1]. En 2012, una red convolucional profunda redujo de forma decisiva el error de la competición ImageNet; el trabajo se reeditó después con metadatos estables [2].
Importancia actual
A fecha de septiembre de 2026, la convolución continúa siendo una operación básica en imagen, audio y señales, aunque comparte terreno con transformadores y arquitecturas híbridas. Su sesgo inductivo local resulta eficiente cuando las relaciones cercanas y la repetición espacial importan.
Aplicaciones
Generales
- Detectar bordes, texturas y formas en imágenes.
- Procesar audio y series temporales con núcleos unidimensionales.
- Segmentar, restaurar o clasificar señales espaciales.
Sanitarias
- Analizar imágenes de dermatología, radiología o anatomía patológica dentro de estudios de validación definidos.
- Segmentar estructuras antes de una medición asistida.
- El estudio de Esteva y colaboradores evaluó una red profunda sobre imágenes de lesiones cutáneas; ese resultado experimental no convierte cualquier red convolucional en equivalente a un dermatólogo [3].
Limitaciones
- La localidad ayuda a detectar patrones próximos, pero las relaciones globales pueden requerir muchas capas u otros mecanismos.
- Cambios de escala, rotación, equipo o protocolo pueden degradar un modelo si no estuvieron representados en los datos.
- El coste crece con la resolución, el número de canales y el tamaño del modelo.
- Un mapa de activación no es por sí solo una explicación causal de la decisión.
- La operación extrae regularidades; no determina si son clínicamente relevantes ni si se generalizan a otro centro.
Ejemplos
Un núcleo de detección de bordes produce una respuesta alta donde cambia bruscamente la intensidad. En una red, los núcleos no se eligen a mano: el entrenamiento ajusta sus valores para reducir la función de pérdida, y capas posteriores combinan patrones locales en representaciones más complejas.