摘要
无监督学习的一个核心目标是从未标记的数据或经验中获取表示，这些表示可以用于从少量标记数据中更有效地学习下游任务。许多先前的无监督学习研究试图通过基于重构、解耦、预测等指标开发代理目标来实现这一目标。相反，我们提出了一种无监督元学习方法，该方法明确优化了从少量数据中学习多种任务的能力。为此，我们以自动化的方式从未标记数据中构建任务，并在这些构建的任务上进行元学习。令人惊讶的是，我们发现当与元学习结合时，相对简单的任务构建机制（如聚类嵌入）在各种下游的人类指定任务上表现出良好的性能。我们在四个图像数据集上的实验表明，我们的无监督元学习方法可以在没有任何标记数据的情况下获得一种适用于广泛下游分类任务的学习算法，其性能优于四种先前的无监督学习方法所学到的嵌入。