AI新突破：扭矩聚類算法亮相，無需人工標(biāo)注、自主學(xué)習(xí)準(zhǔn)確率高達(dá)97.7%快訊
扭矩聚類算法在 1000 個不同的數(shù)據(jù)集上進(jìn)行了嚴(yán)格測試，可以極大提升 AI 系統(tǒng)自主學(xué)習(xí)和識別數(shù)據(jù)模式的能力，監(jiān)督學(xué)習(xí)需要大量人工標(biāo)注的數(shù)據(jù)。
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(xué)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(yù)，可以極大提升 AI 系統(tǒng)自主學(xué)習(xí)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(zhǔn)確率高達(dá) 97.7%，超越現(xiàn)有方法，有望引領(lǐng) AI 學(xué)習(xí)的范式轉(zhuǎn)變。扭矩聚類的獨特之處在于其基于物理學(xué)中扭矩的概念，讓其能夠自主識別聚類，并無縫適應(yīng)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(xué)習(xí)方式，讓 AI 像動物一樣通過觀察、探索和與環(huán)境互動來學(xué)習(xí)。
注：不同于傳統(tǒng)的監(jiān)督學(xué)習(xí)，扭矩聚類無需人工標(biāo)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(xué)習(xí)需要大量人工標(biāo)注的數(shù)據(jù)，成本高、耗時長，且對復(fù)雜或大規(guī)模任務(wù)不切實際。
扭矩聚類算法在 1000 個不同的數(shù)據(jù)集上進(jìn)行了嚴(yán)格測試，平均調(diào)整互信息（AMI）得分高達(dá) 97.7%，而其他最先進(jìn)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(yīng)用領(lǐng)域廣泛，包括生物學(xué)、化學(xué)、天文學(xué)、心理學(xué)、金融和醫(yī)學(xué)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。（故淵）
1.TMT觀察網(wǎng)遵循行業(yè)規(guī)范，任何轉(zhuǎn)載的稿件都會明確標(biāo)注作者和來源；
2.TMT觀察網(wǎng)的原創(chuàng)文章，請轉(zhuǎn)載時務(wù)必注明文章作者和"來源：TMT觀察網(wǎng)"，不尊重原創(chuàng)的行為TMT觀察網(wǎng)或?qū)⒆肪控?zé)任；
3.作者投稿可能會經(jīng)TMT觀察網(wǎng)編輯修改或補充。
