非教師あり学習の中心的な目標は、ラベルの付いていないデータや経験から得られる表現を獲得し、それらを用いて少量のラベル付きデータで下流タスクをより効果的に学習することである。多くの従来の非教師あり学習研究では、再構築、分離、予測などの指標に基づいた代理目的関数を開発することでこれを目指している。しかし、我々は小規模なデータから多様なタスクを学習する能力を明示的に最適化する非教師ありメタ学習手法を開発した。これを行うために、ラベルの付いていないデータから自動的にタスクを構築し、構築されたタスク上でメタ学習を行った。驚くべきことに、クラスタリング埋め込みのような比較的単純なタスク構築メカニズムが、人間によって指定された多様な下流タスクでの良好な性能につながることがわかった。4つの画像データセットにおける実験結果は、我々の非教師ありメタ学習アプローチが一切のラベル付きデータなしで広範囲にわたる下流分類タスクに適用可能な学習アルゴリズムを獲得し、4つの従来の非教師あり学習手法によって学習された埋め込みよりも性能が向上することを示している。