초록
비지도 학습의 주요 목표는 라벨이 없는 데이터나 경험으로부터 얻은 표현을 사용하여 적은 양의 라벨된 데이터로 하류 작업을 더 효과적으로 학습하는 것입니다. 이전의 많은 비지도 학습 연구들은 재구성, 분리(disentanglement), 예측 및 기타 지표를 기반으로 하는 대리 목적(proxy objectives)을 개발하여 이를 달성하려고 했습니다. 반면에, 우리는 적은 양의 데이터로 다양한 작업을 학습할 수 있는 능력을 명시적으로 최적화하는 비지도 메타학습 방법을 개발하였습니다. 이를 위해 라벨이 없는 데이터에서 자동으로 작업을 구성하고, 구성된 작업 위에서 메타학습을 수행합니다. 놀랍게도, 클러스터링 임베딩과 같은 비교적 단순한 작업 구성 메커니즘이 메타학습과 통합될 때 다양한 하류 인간 지정 작업에서 좋은 성능을 보이는 것을 발견했습니다. 네 가지 이미지 데이터셋에 걸친 실험 결과, 우리의 비지도 메타학습 접근 방식은 어떠한 라벨된 데이터도 없이 광범위한 하류 분류 작업에 적용 가능한 학습 알고리즘을 획득하며, 이는 네 가지 이전 비지도 학습 방법이 학습한 임베딩보다 우수한 성능을 보였습니다.