研究人员开发了一种新的人工智能算法，称为扭矩聚类，它在很大程度上增强了人工智能系统如何独立学习和发现数据中的模式，而无需人类指导。
研究人员开发了一种新的人工智能算法，称为扭矩聚类，它与当前的方法相比，更接近自然智能。它显著改善了人工智能系统如何独立学习和发现数据中的模式，而无需人类指导。
扭矩聚类可以高效且自主地分析生物学、化学、天文学、心理学、金融和医学等领域的大量数据，揭示新的见解，例如检测疾病模式、揭露欺诈或理解行为。
“在自然界中，动物通过观察、探索和与环境互动来学习，而不需要明确的指令。人工智能的下一个浪潮‘无监督学习’旨在模仿这种方法，”悉尼科技大学的杰出教授林CT说。
“几乎所有当前的人工智能技术依赖于‘监督学习’，这是一种人工智能训练方法，需要大量数据通过人类使用预定义的类别或值进行标记，以便人工智能可以进行预测并看到关系。
“监督学习有许多局限性。标记数据是昂贵的、耗时的，并且对于复杂或大规模任务往往不切实际。无监督学习则无需标记数据，揭示数据集中固有的结构和模式。”
一篇详细描述扭矩聚类方法的论文《通过快速寻找质量和距离峰值的自主聚类》刚刚在《IEEE模式分析与机器智能汇刊》上发表，该期刊是人工智能领域的领先期刊。
扭矩聚类算法优于传统的无监督学习方法，提供了潜在的范式转变。它是完全自主的，无参数的，并且能够以卓越的计算效率处理大型数据集。
它已在1000个不同的数据集上进行了严格测试，获得了平均调整互信息（AMI）得分——聚类结果的一项衡量标准——为97.7%。相比之下，其他最先进的方法仅获得80％左右的得分。
“扭矩聚类的独特之处在于它基于物理概念中的扭矩，使其能够自主识别聚类并无缝适应不同的数据类型，具有不同的形状、密度和噪声程度，”首席作者杨杰博士说。
“它的灵感来自于当星系合并时的重力相互作用中的扭矩平衡。它基于宇宙的两个自然属性：质量和距离。这一与物理的连接为该方法增加了根本性的科学意义。
“去年的诺贝尔物理学奖颁发给那些使得基于人工神经网络的监督机器学习成为可能的基础性发现。无监督机器学习——受扭矩原则的启发——有潜力产生类似的影响，”杨博士说。
扭矩聚类可以支持通用人工智能的开发，特别是在机器人技术和自主系统中，通过帮助优化运动、控制和决策。它将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。开源代码已向研究人员提供。
