Unsupervised Learning ist eine Kategorie des maschinellen Lernens, bei der einem Modell Daten ohne beschriftete Ausgaben gegeben werden und es selbstständig Strukturen, Muster oder Gruppierungen entdecken muss, anstatt darauf trainiert zu werden, eine bekannte korrekte Antwort zu reproduzieren wie beim überwachten Lernen. Da unüberwachte Methoden keine von Menschen annotierten Beschriftungen benötigen, können sie direkt auf die riesigen Mengen roher, unbeschrifteter Daten angewendet werden, die in der Welt verfügbar sind, wie unstrukturierte Texte, Bilder oder Transaktionsprotokolle, was den Ansatz überall dort attraktiv macht, wo Beschriftung teuer, langsam oder schlichtweg nicht in großem Maßstab möglich ist.
Kernaufgaben
Die häufigste unüberwachte Aufgabe ist das Clustering, das ähnliche Datenpunkte ohne vordefinierte Kategorien gruppiert, wobei Algorithmen wie k-Means oder hierarchisches Clustering verwendet werden; ein Einzelhändler könnte Kunden nach Kaufverhalten gruppieren, ohne im Voraus zu wissen, wie die resultierenden Segmente aussehen sollten. Techniken zur Dimensionsreduktion, einschließlich der Hauptkomponentenanalyse und des Autoencoders, komprimieren hochdimensionale Daten in eine kleinere Anzahl von Variablen, während sie so viel der zugrunde liegenden Struktur wie möglich bewahren, was oft für die Visualisierung oder als Vorverarbeitungsschritt für andere Modelle nützlich ist. Anomalieerkennung verwendet unüberwachte Methoden, um Datenpunkte zu kennzeichnen, die erheblich von der Masse eines Datensatzes abweichen, und wird in der Betrugserkennung und industriellen Überwachung eingesetzt. Dichteschätzung und generative Modellierung, veranschaulicht durch das Generative Adversarial Network und das Diffusionsmodell, lernen die zugrunde liegende Wahrscheinlichkeitsverteilung eines Datensatzes gut genug, um neue, realistische Stichproben daraus zu erzeugen.
Geschichte
Unüberwachte Techniken wie Clustering und Hauptkomponentenanalyse haben Wurzeln in der Statistik, die weit vor dem modernen maschinellen Lernen liegen, und neuronale Ansätze zum unüberwachten Lernen, einschließlich früher Autoencoder und Hopfield-Netze, die von John Hopfield in den 1980er Jahren entwickelt wurden, gehen der Deep-Learning-Ära voraus. Für einen Großteil der 2000er und frühen 2010er Jahre übertraf jedoch überwachtes Lernen auf großen beschrifteten Datensätzen unüberwachte Ansätze bei den meisten praktischen Benchmarks, und unüberwachtes Lernen wurde hauptsächlich als Werkzeug für explorative Analysen oder als Vorverarbeitungsschritt angesehen, nicht als Weg zu Spitzenergebnissen.
Beziehung zum selbstüberwachten Lernen
Die Unterscheidung zwischen unüberwachtem Lernen und selbstüberwachtem Lernen ist eine Quelle häufiger Verwirrung. Selbstüberwachtes Lernen wird manchmal als Teilmenge oder moderne Neuformulierung des unüberwachten Lernens beschrieben: Beide arbeiten mit unbeschrifteten Daten, aber selbstüberwachte Methoden konstruieren eine explizite, automatisch generierte Vorhersageaufgabe aus den Daten selbst, wie das Vorhersagen eines maskierten Wortes oder des nächsten Tokens in einer Sequenz, was ihnen ein klares Trainingssignal gibt, das mechanisch dem überwachten Lernen ähnelt, obwohl nie ein Mensch die Daten beschriftet hat. Diese Unterscheidung ist wichtig, weil selbstüberwachtes Pretraining, nicht klassisches unüberwachtes Lernen im Sinne von Clustering oder Dimensionsreduktion, das Training moderner großer Sprachmodelle und anderer Foundation-Modelle antreibt.
Anwendungen und Bedeutung
Unüberwachtes Lernen bleibt weit verbreitet für explorative Datenanalyse, Kundensegmentierung, Themenmodellierung, Empfehlungssystem-Pretraining und als Bestandteil von Anomalie- und Betrugserkennungspipelines. Im Deep Learning im Speziellen wurde sein generativer Zweig, GANs und später Diffusionsmodelle, zur Grundlage moderner Text-zu-Bild- und Text-zu-Video-Systeme, indem sie lernten, komplexe Datenverteilungen wie den Raum natürlicher Bilder zu modellieren und daraus zu sampeln.
Einschränkungen
Da unüberwachtes Lernen keine Ground-Truth-Antwort hat, gegen die geprüft werden kann, ist die Bewertung seiner Ergebnisse von Natur aus schwieriger und subjektiver als die Bewertung überwachter Modelle: Ein Clustering-Ergebnis kann nicht einfach als „korrekt“ oder „inkorrekt“ bewertet werden wie eine Klassifikationsvorhersage, und verschiedene unüberwachte Algorithmen, die auf dieselben Daten angewendet werden, können sinnvoll unterschiedliche, gleichermaßen vertretbare Gruppierungen erzeugen. Diese Mehrdeutigkeit ist ein Grund dafür, dass die größten jüngsten Erfolge des Feldes, insbesondere bei Sprach- und Bilderzeugung, auf dem strukturierteren selbstüberwachten Paradigma beruhen und nicht auf klassischen unüberwachten Clustering- und Dichteschätzungsmethoden.