Retropropagación
Sinónimos: Backpropagation
Definición ampliada
La retropropagación, o backpropagation, calcula cómo contribuye cada parámetro de una red neuronal al error final. Recorre las operaciones en sentido inverso y aplica repetidamente la regla de la cadena para obtener gradientes [1].
Retropropagar no es lo mismo que actualizar los pesos. El algoritmo calcula las derivadas; un optimizador utiliza después esa información para decidir el cambio de cada parámetro.
Contexto histórico
Las ideas matemáticas que sustentan el algoritmo tienen antecedentes, pero el trabajo de Rumelhart, Hinton y Williams de 1986 mostró de forma influyente cómo aprender representaciones internas mediante retropropagación de errores [1].
Importancia actual
A fecha de agosto de 2026, la retropropagación continúa siendo el mecanismo básico de diferenciación y entrenamiento de redes profundas. Las bibliotecas modernas la automatizan mediante grafos de cómputo y diferenciación automática.
Aplicaciones
Generales
- Entrenar redes para visión, lenguaje, audio y predicción.
- Ajustar millones o miles de millones de parámetros.
- Calcular derivadas en modelos compuestos.
Sanitarias
- Entrenar redes con imágenes médicas o señales fisiológicas.
- Adaptar modelos lingüísticos a tareas biomédicas.
- Optimizar modelos clínicos, manteniendo separada la validación de su mecanismo de entrenamiento.
Limitaciones
- Necesita operaciones diferenciables o aproximaciones adecuadas.
- Puede sufrir gradientes que desaparecen o explotan.
- Requiere memoria para conservar estados intermedios.
- Minimizar una pérdida no garantiza explicabilidad, equidad ni utilidad clínica.
Ejemplos
En una red que clasifica una imagen, la pérdida se calcula a partir de la salida. La retropropagación distribuye esa señal hacia capas anteriores; el optimizador usa los gradientes resultantes para actualizar los pesos.