Key points are not available for this paper at this time.
Ein zentrales Ziel des unüberwachten Lernens besteht darin, Repräsentationen aus unlabeled Daten oder Erfahrungen zu gewinnen, die für ein effektiveres Lernen von nachgelagerten Aufgaben aus bescheidenen Mengen an markierten Daten verwendet werden können. Viele frühere Arbeiten zum unüberwachten Lernen zielen darauf ab, dies zu erreichen, indem proxy-Ziele basierend auf Rekonstruktion, Entwirrung, Vorhersage und anderen Metriken entwickelt werden. Stattdessen entwickeln wir eine Methode des unüberwachten Meta-Lernens, die explizit auf die Fähigkeit optimiert ist, eine Vielzahl von Aufgaben aus kleinen Datenmengen zu lernen. Dazu konstruieren wir Aufgaben aus unlabeled Daten automatisch und führen Meta-Lernen über die konstruierten Aufgaben durch. Überraschenderweise stellen wir fest, dass relativ einfache Mechanismen zur Aufgabenkonstruktion, wie das Clustern von Einbettungen, in Verbindung mit Meta-Lernen zu einer guten Leistung bei einer Vielzahl von nachgelagerten, menschlich spezifizierten Aufgaben führen. Unsere Experimente über vier Bilddatensätze zeigen, dass unser Ansatz des unüberwachten Meta-Lernens einen Lernalgorithmus ohne jegliche markierten Daten erwirbt, der auf eine breite Palette nachgelagerter Klassifikationsaufgaben anwendbar ist und die durch vier frühere Methoden des unüberwachten Lernens erlernte Einbettung verbessert.
Hsu et al. (Thu,) haben diese Frage untersucht.