无监督学习是机器学习的三个主要分支之一（以及监督学习和强化学习）。它也可以说是最不发达的分支。它的目标是通过发现和利用其隐藏结构来找到对输入数据的简约描述。据推测，与监督学习相比，这更让人联想到大脑的学习方式。此外，假设通过无监督学习发现的表示形式可以缓解深度监督和强化学习中的许多已知问题。但是，由于缺乏明确的ground-truth目标来优化，无监督学习的发展进展缓慢。在本次演讲中，DeepMind研究科学家Irina Higgins和DeepMind研究工程师Mihaela Rosca概述了无监督表示学习的历史作用以及开发和评估此类算法的困难。然后，他们将采取多学科的方法来思考什么可以做一个好的表示方法，以及为什么要这样做，然后再对无监督的表示学习的当前最新方法进行广泛的概述。