Das Gebiet des Few-Shot-Lernens wurde intensiv im überwachten Setting erforscht, bei dem Klassenlabels zur Verfügung stehen. Im Gegensatz dazu hat das unüberwachte Few-Shot-Lernen, bei dem keine Labels irgende Art benötigt werden, bisher wenig Aufmerksamkeit erfahren. Wir schlagen eine Methode vor, die als "Assume, Augment and Learn" (AAL) bezeichnet wird, um Few-Shot-Aufgaben unter Verwendung von nicht annotierten Daten zu generieren. Wir beschriften zufällig ein zufälliges Unterensemble von Bildern aus einem nicht annotierten Datensatz, um einen Support-Set zu erzeugen. Anschließend wenden wir Data-Augmentation auf die Bilder des Support-Sets an und verwenden die Labels des Support-Sets erneut, um ein Target-Set zu erhalten. Die resultierenden Few-Shot-Aufgaben können verwendet werden, um jedes Standard-Meta-Lernframework zu trainieren. Sobald trainiert, kann ein solches Modell direkt auf kleine echt beschriftete Datensätze angewendet werden, ohne dass Änderungen oder Feinabstimmungen erforderlich sind. In unseren Experimenten erreichen die gelernten Modelle gute Generalisierungsergebnisse in einer Vielzahl etablierter Few-Shot-Lernaufgaben auf Omniglot und Mini-Imagenet.