Torque Clustering：新型AI算法引领无监督学习范式转变

Torque Clustering：新型AI算法引领无监督学习范式转变

近期，悉尼科技大学（UTS）研究团队开发出一种名为Torque Clustering的新型人工智能算法。该算法通过模仿自然智能的学习方式，显著提升了AI系统在无监督学习场景下的数据模式识别能力。

Torque Clustering算法的设计灵感来源于物理学中的扭矩概念，能够自主识别数据聚类并适应不同类型的数据集。相比传统的无监督学习方法，Torque Clustering在多个维度上展现出显著优势：

• 无需参数设置：算法完全自主运行，不需要人工干预
• 高计算效率：能够快速处理大规模数据集
• 卓越性能：在1000个不同数据集上的平均调整互信息（AMI）得分高达97.7%，远超其他先进方法的80%左右水平

该算法已在多个领域展现出广泛应用前景，包括生物学、化学、天文学、心理学、金融学和医学等。通过揭示隐藏的数据模式，Torque Clustering能够为疾病趋势检测、欺诈活动识别和人类行为理解等领域提供有价值的见解。

悉尼科技大学杰出教授CT Lin指出，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。而无监督学习的目标正是模仿这种学习方式。目前，几乎所有的AI技术都依赖于需要大量人工标注数据的“监督学习”方法，而无监督学习则无需标注数据，能够直接揭示数据集内的固有结构和模式。

Torque Clustering算法的创新之处在于其独特的扭矩概念应用。该算法的第一作者杨杰博士表示，其灵感来源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。目前，该算法的开源代码已提供给研究人员使用，这将加速其在实际场景中的应用和验证。

文章来源：atyun.com