Meta
这篇文章不算宏大，但又不知所云。
intro
本文搞出一个model来试图搞清楚人类是如何无监督学习的。
可惜的是，作者搞出来的是一个theoretical model，但又没有这个model的建立过程，所以你是无法猜到作者是如何搞出这个东西来的。
让人很为难嘛。
好了，回到作者的approach。我就不原样复述了。
作者的目的就是要思考一下人类是怎么无监督学习的。ml算法和人类的不同有很多，首先是人类在做一个无监督task的时候已经有了很多先验知识，如给这堂课评价一下，这课很无聊还是有趣，对于这个task来说，人类得会用语言来表达，还得知道如何评价。
但是对于ml算法来说，这些东西基本上都是没有的。
用作者的话来说就是：
In some sense, expecting an algorithm to cluster a small set of text reviews without external data is like asking a person to cluster course reviews written in a foreign language without a dictionary – not only would one have to learn the new language from the reviews themselves but there might not even be enough reviews to adequately cover the language.
基于以上的理由，CV最近的一个潮流就是重用（reuse）预训练的网络。
作者在 openml.org 这个网站的很多数据集上进行试验，发现 K-means 在很多problem都是比较好的。
我还没搞清楚这句话的意思：
seemingly unrelated collection of problems can be leveraged to improve average performance across datasets
这个比较有趣：
Finally, we also show how to train a neural network using data from multiple classification problems of very different natures to improve performance on a new UL problem.
Related work
哈，作者说Kleinberg’s impossibility theorem经常被人争论(debate), 然后作者搞的这个meta-clustering能够避免这个theorem，不过貌似已经有人举出反例说这个theorem是错的了，所以，作者你有点晚了。
试验
算法部分实在难以捉摸，我不知道作者在说啥，都是一些definition，也不challenging啊。
哈哈，实验部分你不可能玄乎了吧。
首先是选算法，五个算法来自scikit-learn (K-Means, Spectral, Agglomerative Single Linkage, Complete Linkage, and Ward) ，还用五个是它们五个在normalized的数据集上搞的。用 Adjusted Rand Index (ARI)来选。
啊，来到了第11页。
作者搞出一个least squares linear regression，这个回归的原理很简单，y就是ARI，x就是模型，要求的是权值
最后根据权值选取五个模型中的一个……
就是这样。