无监督学习（一）概述

1. 无监督学习应用场景：在大量无标注数据中自动挖掘潜在的结构和模式。

2. 典型应用场景-数据分析：通过无监督聚类的方式对不同用户进行聚类，在每个类内进行广告推荐，商品推荐；通过无监督方式对数据进行降维，加速计算。

3. 典型应用场景 - 计算机视觉：特征表示学习，无监督异常检测，图像生成，无监督域迁移。

4. 特征表示学习 - 研究内容

5. 特征表示学习 - 自监督学习技术

6. 无监督异常检测 - 研究内容及常用技术

7. 无监督学习总结

（1）特征表示学习：

a. 找到合适的辅助任务（pretext）对于自监督学习时最需要解决的问题。

b. 数据和资源越多，自监督预训练的效果更好（Bert, MoCo, SimCLR）。

c. 自监督学习直接和具体任务的结合（task-related）是一个可探索的方向。

（2）无监督异常检测：

a. 提升图像生成质量，对差异计算效果更好。

b. 如何保证重构出正常图，是无监督异常检测的难点。

c. 异常判定策略（原图与重构正常图的对比）对异常检测影响较大。