摘要：机器学习算法的成功普遍有赖于数据的表示方法，我们作此假设，是因为数据在不同的背景下会呈现出不同种解释，而不同的表示方法则可以或多或少地掩盖掉这种可变因素。尽管特定领域的特定知识可以用于表示方法的设计，但是，一般性的先验知识同样可以被拿来使用，且对人工智能的追寻，正激励着人们设计出可以将这些先验知识付诸实现的，更强大的——表示方法学习算法。本文回顾机器学习中无监督特征学习以及交叉训练的最新工作，内容包括概率模型、自动编码器、流形学习，以及深度学习架构的最新进展。这将激发一些长年未解的问题的发展，这些问题涉及：好的表示方法的学习、表示方法的计算（即推理）需要达到什么样的目标算为合适，表示方法学习、密度估计和流形学习三者之间具有什么样的几何关系。
原文页面：https://s3-us-west-2.amazonaws.com/mlsurveys/110.pdf