全新演演算法：讓AI自主學習與挖掘資料模式大躍進

研究人員研發出一種名為「扭矩聚類」（Torque Clustering）的全新人工智慧演演算法，此演演算法比現有方法更接近自然智慧。它大幅提升了AI系統在無人為引導的情況下，自主學習並挖掘資料模式的能力。

「扭矩聚類」能夠高效且自主地分析生物學、化學、天文學、心理學、金融和醫學等領域的海量資料，揭示諸如疾病模式檢測、揭發詐欺行為或理解行為等新見解。

悉尼科技大學（UTS）的傑出教授林CT表示：「在自然界中，動物透過觀察、探索和與環境互動來學習，無需明確的指示。下一波AI浪潮——『無監督學習』旨在模仿這種方式。」

「幾乎所有現有的AI技術都依賴於『有監督學習』，這是一種需要人類使用預定義的類別或值對大量資料進行標記的AI訓練方法，以便AI能夠做出預測並發現關係。有監督學習存在許多限制。標記資料成本高昂、耗時，而且對於複雜或大規模的任務而言往往不切實際。相比之下，無監督學習無需標記資料，就能挖掘資料集中的固有結構和模式。」

一篇詳細介紹「扭矩聚類」方法的論文《透過快速尋找質量和距離峰值進行自主聚類》已發表在《IEEE模式分析與機器智慧彙刊》上。

「扭矩聚類」演演算法的表現優於傳統的無監督學習方法，有望帶來正規化轉移。它完全自主、無需引數，並且能夠以卓越的計算效率處理大型資料集。

該演演算法在1000個不同的資料集上進行了嚴格測試，平均調整互資訊（AMI）得分（衡量聚類結果的指標）達到了97.7%。相比之下，其他先進方法的得分僅在80%左右。

第一作者楊傑博士表示：「『扭矩聚類』的獨特之處在於其基於物理學中的扭矩概念，使其能夠自主識別聚類，並能完美適應各種不同形狀、密度和噪音程度的資料型別。」

「它的靈感來自星系合併時引力相互作用中的扭矩平衡。它基於宇宙的兩個自然屬性：質量和距離。這種與物理學的聯絡為該方法增添了基礎科學意義。」

楊博士還提到：「去年的諾貝爾物理學獎授予了為人工神經網路有監督機器學習奠定基礎的發現。受扭矩原理啟發的無監督機器學習有可能產生類似的影響。」

「扭矩聚類」可以透過幫助最佳化運動、控制和決策，支援通用人工智慧的發展，特別是在機器人和自主系統領域。它將重新定義無監督學習的格局，為真正的自主AI鋪平道路。研究人員已公開了該演演算法的開原始碼。