En este artículo, presentamos un novedoso enfoque de aprendizaje no supervisado inspirado en modelos cognitivos. A diferencia de los métodos previos de aprendizaje no supervisado, que se centran principalmente en la agrupación de muestras en un espacio matemático, en este artículo proponemos un método de aprendizaje no supervisado basado en primitivas que modela constructivamente el espacio de entrada como una jerarquía distribuida independiente de los datos de entrada. Demostramos la superioridad del método propuesto comparándolo con los modelos de vanguardia existentes en diversos campos, como la clasificación de aprendizaje no supervisado de vanguardia, la clasificación de conjuntos de datos pequeños e incompletos y la clasificación de tipos de cáncer, y demostramos que el método propuesto supera a los algoritmos existentes (incluido el aprendizaje supervisado) y exhibe un comportamiento similar al cognitivo mediante la evaluación de características cognitivas.
