为高级人员解释对比散度

对比散度（英文：Contrastive Divergence，CD）是一种用于有效估计概率模型（如玻尔兹曼机）参数的优化方法。

该方法基于近似计算对数似然函数的梯度，通过从数据分布启动一条仅包含少数步骤的短马尔可夫链，从而捕捉数据分布与模型分布之间的差异。

因此，与精确的最大似然估计相比，计算量显著减少。

对比散度常用于无监督学习模型中，以发现数据中的潜在结构并加速训练。

特别是在受限玻尔兹曼机（RBMs）中，CD 是高效学习权重矩阵的标准方法。