您尚未登录账户
您的企业账号申请正在审核中
Torque Clustering：新型AI算法引领无监督学习范式转变
近期，研究人员开发了一种名为Torque Clustering的新型人工智能算法。该算法显著提升了AI系统在没有人类输入的情况下自主学习和识别数据模式的能力。
Torque Clustering旨在模仿自然智能，相比现有方法更接近人类的学习方式。它强化了AI独立学习和识别数据模式的能力，无需人工干预。该算法被设计为能够高效分析包括生物学、化学、天文学、心理学、金融学和医学在内的多个领域的大型数据集。通过揭示隐藏的模式，它可以提供有价值的见解，例如检测疾病趋势、识别欺诈活动和理解人类行为。
据来自悉尼科技大学（UTS）的杰出教授CT Lin介绍，自然界中的动物通过观察、探索和与环境互动来学习，无需明确指导。下一波人工智能浪潮——“无监督学习”的目标就是模仿这种学习方式。
目前几乎所有的AI技术都依赖于“监督学习”，这是一种需要人类使用预定义类别或值为大量数据打标签的AI训练方法，从而使AI能够进行预测和发现关系。然而，监督学习存在诸多局限。数据标注成本高、耗时长，对于复杂或大规模任务往往不切实际。相比之下，无监督学习无需标注数据，能够揭示数据集内的固有结构和模式。
一篇详细介绍Torque Clustering方法的论文已在人工智能领域权威期刊《IEEE模式分析与机器智能汇刊》上发表。Torque Clustering算法优于传统的无监督学习方法，可能成为一次潜在的范式转变。它完全自主、无需参数设置，并能以极高的计算效率处理大型数据集。
该算法已在1000个不同的数据集上进行了严格测试，平均调整互信息（AMI）得分为97.7%。相比之下，其他最先进的方法得分仅在80%左右。
Torque Clustering的独特之处在于其基于物理中的扭矩概念，使其能够自主识别聚类并无缝适应不同类型的数据，包括各种形状、密度和噪声水平。第一作者杨杰博士表示，该算法受启发于星系合并时引力相互作用的扭矩平衡，基于宇宙的两个自然属性：质量和距离。这种与物理学的联系为该方法增添了基本的科学意义。
Torque Clustering有望支持通用人工智能的发展，特别是在机器人和自主系统领域，有助于优化运动、控制和决策制定。它有望重新定义无监督学习的格局，为真正自主的人工智能铺平道路。目前，该算法的开源代码已提供给研究人员使用。
