无监督学习

英文：Unsupervised Learning　分类：foundation

基本释义

在没有标注的情况下，仅从数据本身的结构中学习规律的学习范式。典型任务包括聚类（发现分组）、降维（压缩表示）与异常检测；大模型的预训练本质上就是超大规模的无监督（自监督）学习。

技术要点

算法利用数据的内在结构：K-means、层次聚类发现簇，PCA、t-SNE、自编码器学习低维表示，自监督方法构造伪任务（预测下一词、掩码还原）从无标注文本中学习。无监督结果通常作为监督任务的特征或预训练底座。

发展脉络

从经典的聚类与降维，到 2013 年 Word2Vec、2018 年 BERT 掩码预训练，无监督/自监督学习成为大模型时代获取海量知识的根本途径，显著降低了对人工标注的依赖。

应用场景

客户分群、异常交易检测、数据降维可视化、推荐冷启动；预训练语料构建与清洗也依赖无监督方法去重、去噪与聚类组织。

返回AI百科目录 · AI最前沿首页

相关词条：Transformer · 注意力机制 · 自注意力 · 监督学习 · 强化学习