Lexicon Redes Neuronales

Definición breve

Las redes siamesas son una arquitectura de redes neuronales que utilizan dos o más subredes idénticas para comparar entradas y medir su similitud.

Explicación del concepto

Las redes siamesas están diseñadas para aprender si dos entradas son similares o diferentes.

Cada subred:

• tiene la misma estructura
• comparte los mismos pesos

Esto garantiza que ambas entradas se procesen de la misma manera.

En lugar de predecir una clase directamente, el modelo aprende una función de distancia o similitud entre representaciones.

Cómo funciona

El proceso incluye:

1. Entrada doble
   Se reciben dos elementos (por ejemplo, dos imágenes).
2. Procesamiento paralelo
   Ambas entradas pasan por redes idénticas.
3. Obtención de embeddings
   Se generan representaciones vectoriales.
4. Cálculo de similitud
   Se mide la distancia entre los vectores.

Fórmula conceptual

$d(x_1, x_2) = \| f(x_1) – f(x_2) \|$d(x1​,x2​)=∥f(x1​)−f(x2​)∥

Donde:

• $f(x)$f(x) es la representación aprendida
• $d$d es la distancia entre ambas entradas

Características principales

• subredes con pesos compartidos
• aprendizaje basado en similitud
• uso de embeddings
• entrenamiento con pares de datos

Aplicaciones

• reconocimiento facial
• verificación de identidad
• búsqueda de similitud
• detección de duplicados
• sistemas de recomendación

Por qué es importante

Las redes siamesas permiten resolver problemas donde:

• no hay muchas clases definidas
• se necesita comparar elementos
• los datos son limitados

Son especialmente útiles en escenarios de aprendizaje con pocos ejemplos.

Ejemplo conceptual

Un sistema compara dos rostros para determinar si pertenecen a la misma persona.

Ejemplo en PyTorch

Estructura simplificada:

output1 = model(input1)
output2 = model(input2)
distance = (output1 - output2).pow(2).sum()

Conceptos relacionados

• Embeddings
• Espacio vectorial semántico
• Aprendizaje con pocos ejemplos
• Modelado de similitud
• Redes neuronales profundas

Resumen

Las redes siamesas son arquitecturas diseñadas para medir similitud entre entradas mediante redes con pesos compartidos. Son fundamentales en tareas de comparación, verificación y aprendizaje con pocos datos, y desempeñan un papel clave en aplicaciones modernas de inteligencia artificial.