導讀：IT之家 2 月 17 日消息，科技媒體 scitechdaily 昨日（2 月 16 日）發(fā)布博文，報道稱悉尼科技大學的研究人員開發(fā)了一種名為“扭矩聚類”（Torque Clustering）的全新 AI 算法，不需要人工干預，可以極大提升 AI 系統(tǒng)自主學習和識別數(shù)據(jù)模式的能力。該算法模擬自然智能，在測試中準確率高達 97.7%，超越現(xiàn)有方法，有望引領 AI 學習的范式轉(zhuǎn)變。扭矩聚類的獨特之處在于其基于物理 ......
IT之家 2 月 17 日消息，科技媒體 scitechdaily 昨日（2 月 16 日）發(fā)布博文，報道稱悉尼科技大學的研究人員開發(fā)了一種名為“扭矩聚類”（Torque Clustering）的全新 AI 算法，不需要人工干預，可以極大提升 AI 系統(tǒng)自主學習和識別數(shù)據(jù)模式的能力。
該算法模擬自然智能，在測試中準確率高達 97.7%，超越現(xiàn)有方法，有望引領 AI 學習的范式轉(zhuǎn)變。扭矩聚類的獨特之處在于其基于物理學中扭矩的概念，讓其能夠自主識別聚類，并無縫適應不同形狀、密度和噪聲程度的數(shù)據(jù)類型。
該算法的靈感源于星系合并過程中引力相互作用的扭矩平衡，基于質(zhì)量和距離宇宙的兩個基本屬性，通過模擬自然界中的學習方式，讓 AI 像動物一樣通過觀察、探索和與環(huán)境互動來學習。
IT之家注：不同于傳統(tǒng)的監(jiān)督學習，扭矩聚類無需人工標記數(shù)據(jù)即可識別模式，使其更具擴展性和效率。相比之下，監(jiān)督學習需要大量人工標注的數(shù)據(jù)，成本高、耗時長，且對復雜或大規(guī)模任務不切實際。
扭矩聚類算法在 1000 個不同的數(shù)據(jù)集上進行了嚴格測試，平均調(diào)整互信息（AMI）得分高達 97.7%，而其他最先進的方法得分僅在 80% 左右。
該算法完全自主、無需參數(shù)，并且可以高效地處理大型數(shù)據(jù)集，其應用領域廣泛，包括生物學、化學、天文學、心理學、金融和醫(yī)學等，可用于發(fā)現(xiàn)疾病趨勢、識別欺詐活動和理解人類行為等。
