新算法改善了AI如何独立学习和发现数据中的模式
作者：by University of Technology, Sydney
研究人员开发了一种称为扭矩聚类的新AI算法，它比当前方法更接近自然智能。它显着改善了AI系统在没有人类指导的情况下独立学习和发现数据模式的方式。
扭矩聚类可以有效，自主分析生物学，化学，天文学，心理学，金融和医学等领域的大量数据，从而揭示了诸如检测疾病模式，发现欺诈或理解行为之类的新见解。
“在自然界中，动物通过观察，探索和与环境进行互动，没有明确的说明。下一波AI浪潮“无监督的学习”旨在模仿这种方法，”悉尼科技大学的CT Lin教授（UTS）。
“几乎所有当前的AI技术都依赖'监督学习'，一种AI培训方法，需要使用预定义的类别或值将大量数据标记为人类，以便AI可以做出预测并观察关系。
“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的任务而言通常是不切实际的。相比之下，无监督的学习无需标记数据，发现数据集中的固有结构和模式。”
一篇详细介绍扭矩聚类方法的论文：“快速查找质量和距离峰的自主聚类”已已出版在IEEE关于模式分析和机器智能的交易。
扭矩聚类算法的表现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，并且可以处理具有出色计算效率的大型数据集。
它已经在1,000个不同的数据集上进行了严格的测试，从而达到了平均调整后的共同信息（AMI）得分，量度为97.7％。相比之下，其他最先进的方法仅在80％的范围内实现分数。
首先作者Jie Yang博士说：“设定扭矩聚类的是其在扭矩的物理概念中的基础，使其能够自主识别群集，并无缝地适应各种数据类型，具有不同的形状，密度和噪声学位。”
“当星系合并时引力相互作用的扭矩平衡的启发。它基于宇宙的两个自然特性：质量和距离。这种与物理学的联系增加了该方法具有科学意义的基本层。
“去年的诺贝尔物理学奖获得了基本发现，该奖项可通过人工神经网络。受监督的机器学习灵感来自扭矩杨博士说。
扭矩聚类可以支持通用人工智能的发展，特别是在机器人技术和自主系统，通过帮助优化运动，控制和决策。它旨在重新定义无监督学习的景观，为真正的自治AI铺平道路。开源代码已向研究人员提供。
更多信息：Jie Yang等人，通过快速查找质量和距离峰的自主聚类，IEEE关于模式分析和机器智能的交易（2025）。doi：10.1109/tpami.2025.3535743
引用：新算法改善了AI如何独立学习和发现数据中的模式（2025年，2月11日）检索2025年2月11日摘自https://techxplore.com/news/2025-02-Algorithm-ai--stimentationly-uncover-patterns.html
该文档具有版权。除了为私人研究或研究目的的任何公平交易外，没有未经书面许可，可以复制部分。内容仅用于信息目的。
关于《新算法改善了AI如何独立学习和发现数据中的模式》的评论
暂无评论