无监督学习

Unsupervised Learning常用

只用没有标签的数据，让模型自己找出数据里的结构。

无监督学习是与监督学习相对的机器学习范式：训练数据只有输入、没有人工标注的答案，模型要自己发现其中的规律。经典任务有聚类（如 k-means 把相似样本分组）、降维（如主成分分析 PCA）和密度估计（学出数据的概率分布）；自编码器等生成模型也常归入此类。自监督学习（从数据本身构造监督信号，如预测被遮住的部分）有时被视为它的一个分支。它重要是因为标注昂贵而无标签数据极多，大模型预训练大量依赖无标签文本、图像和视频。在具身智能里，从无动作标签的人类视频中学潜在动作、让机器人通过无监督技能发现自己探索出多种行为，都属于这一思路。