Después de una convolución, el mapa de rasgos dice dónde se detectó cada patrón. El pooling lo resume por zonas: en max-pooling de 2×2, cada bloque de cuatro valores se reemplaza por el mayor.
1 3 | 0 2
2 0 | 1 1 max-pooling 2×2 3 2
----+---- ──────────────▶ 4 5
4 1 | 5 0
0 2 | 3 1
El mapa queda cuatro veces más chico y, sobre todo, menos sensible a la posición exacta: si se usa el máximo, un rasgo cuenta como presente si fue detectado en cualquier lugar de la zona (Witten et al., 2017, p. 438; Chollet, 2021, sec. 8.1.2). Al entrenar, el error se devuelve solo a la unidad «ganadora» de cada zona (Witten et al., 2017, p. 444).
Origen. Es la versión artificial de las células «complejas» de Hubel y Wiesel, que responden a un mismo borde en posiciones cercanas. El Neocognitrón de Fukushima promediaba; hoy predomina el máximo (Buckner, 2024, pp. 124–126). Está en Red convolucional (LeNet) y en AlexNet.
Abstracción por sustracción. Buckner (2024) lee el pooling como una forma de abstracción en la tradición de Locke y Berkeley: descarta la variación irrelevante (dónde está el borde, en qué fuente está escrita la letra) y se queda con lo que importa para la categoría. Alternado con la convolución, que compone, permite que la red aprenda qué transformaciones debe ignorar (2024, pp. 127–129).
En el lenguaje. El término reaparece con otro sentido: agregar los vectores de todos los tokens de una oración en uno solo. Sentence-BERT usa por defecto el promedio de los vectores de salida (Reimers y Gurevych, 2019, sec. 3); BERT usa el vector del token especial [CLS]. Los transformers no suelen hacer pooling entre capas; Buckner (2024) sugiere que la atención, al concentrarse en lo relevante, logra la sustracción por otros medios (2024, p. 127, n. 9).
Lo que el pooling gana en invariancia lo paga en información de posición: una red que agrega demasiado puede registrar que hay ojos y boca sin registrar bien cómo están dispuestos. Cuánta invariancia conviene es, otra vez, una cuestión de sesgo inductivo.