Divergencia Contrastiva: Entendiendo el Entrenamiento de RBM

Este artículo proporciona una explicación clara del algoritmo de divergencia contrastiva para el entrenamiento de Máquinas de Boltzmann Restringidas (RBM). Definiendo la función de energía y la distribución conjunta, deriva la regla de actualización de pesos y explica el papel del muestreo de Gibbs en las fases positiva y negativa. En última instancia, muestra cómo la diferencia entre las expectativas de datos y modelo se utiliza para ajustar los pesos y sesgos del RBM, minimizando la energía de los datos de entrenamiento.