AI 新突破：扭矩聚类算法亮相，无需人工标注、自主学习准确率高达 97.7%

IT之家于2月17日报道，科技媒体scitechdaily在2月16日发布了博文，介绍了悉尼科技大学研究团队推出的一种新型AI算法，命名为“扭矩聚类”（Torque Clustering）。该算法无需人工干预，显著提高AI系统在自主学习和数据模式识别方面的能力。

扭矩聚类算法模拟自然智能，其在测试阶段达到了惊人的97.7%准确率，超出目前的主流方法，可能将推动AI学习模型的重大变革。这一算法的核心在于借鉴物理学中扭矩的理论，能够自行识别数据聚类，并灵活应对各种形状、密度及噪声的数据。

该算法的创意来源于星系合并过程中的引力扭矩平衡，基于质量和宇宙距离的两个基础属性，通过模仿自然环境中学习的方式，使AI能像动物那样通过观察和与环境的互动进行学习。

IT之家提醒：相比传统的监督学习，扭矩聚类算法在识别模式方面无需人工标注数据，因而具备了更高的可扩展性和效率。传统的监督学习需要大量人力标注数据，成本高且耗时，面对复杂或大规模任务时更显得不实用。

在1000个不同的数据集上进行的严格测试中，扭矩聚类算法的平均调整互信息（AMI）得分高达到97.7%，而其他先进方法的得分仅约为80%。

这一自主算法无需任何参数，并能高效处理大型数据集，应用领域涵盖生物学、化学、天文学、心理学、金融及医学等，可以用于分析疾病趋势、识别诈骗行为以及理解人类行为等多种用途。

广告声明：文中所包含的外部链接（包括但不限于超链接、二维码、口令等）用于提供更多信息，在节省信息筛选时间的同时，结果仅供参考。