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%

科技媒体 scitechdaily 昨日(2 月 16 日)发布博文,报道称悉尼科技大学的研究人员开发了一种名为“扭矩聚类”(Torque Clustering)的全新 AI 算法,不需要人工干预,可以极大提升 AI 系统自主学习和识别数据模式的能力。

科技媒体 scitechdaily 昨日(2 月 16 日)发布博文,报道称悉尼科技大学的研究人员开发了一种名为“扭矩聚类”(Torque Clustering)的全新 AI 算法,不需要人工干预,可以极大提升 AI 系统自主学习和识别数据模式的能力。

该算法模拟自然智能,在测试中准确率高达 97.7%,超越现有方法,有望引领 AI 学习的范式转变。扭矩聚类的独特之处在于其基于物理学中扭矩的概念,让其能够自主识别聚类,并无缝适应不同形状、密度和噪声程度的数据类型。

该算法的灵感源于星系合并过程中引力相互作用的扭矩平衡,基于质量和距离宇宙的两个基本属性,通过模拟自然界中的学习方式,让 AI 像动物一样通过观察、探索和与环境互动来学习。

AI在线注:不同于传统的监督学习,扭矩聚类无需人工标记数据即可识别模式,使其更具扩展性和效率。相比之下,监督学习需要大量人工标注的数据,成本高、耗时长,且对复杂或大规模任务不切实际。

扭矩聚类算法在 1000 个不同的数据集上进行了严格测试,平均调整互信息(AMI)得分高达 97.7%,而其他最先进的方法得分仅在 80% 左右。

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%

该算法完全自主、无需参数,并且可以高效地处理大型数据集,其应用领域广泛,包括生物学、化学、天文学、心理学、金融和医学等,可用于发现疾病趋势、识别欺诈活动和理解人类行为等。

相关资讯

调查:超72% 的企业选择 AI 工具时最看重易用性

根据最近的一项 CIO 报告,企业在人工智能(AI)领域的投资高达2.5亿美元,尽管在证明投资回报率(ROI)方面面临挑战。 商业领袖们正努力提高生产力,但新技术的集成往往需要重构现有应用、更新流程并激励员工学习,以适应现代商业环境。 QuickBlox 首席执行官 Nate MacLeitch 对136位高管进行了调查,以揭示 AI 采用的现实情况,探讨领导者的首要任务、主要担忧以及他们在2025年寻找可信工具的信息来源。

光中介层可能在 2025 年开始加速 AI

编辑丨toileter光纤电缆正在逐渐靠近高性能计算机中的处理器,用玻璃取代铜连接。 科技公司希望通过将光学连接从服务器外部移动到主板上,然后让它们与处理器并排放置,从而加速 AI 并降低其能源成本。 现在,科技公司准备在寻求成倍增加处理器潜力的道路上走得更远——通过滑入处理器下面的连接。

2024 年 AI 十大故事,透视技术变革与未来挑战

编辑 | 20492024 年,人工智能技术持续改变着我们的生活和工作方式。 IEEE Spectrum 精选了年度最具影响力的 10 个 AI 故事,从技术突破到社会影响,全方位展现了 AI 发展的现状与挑战。 这些故事不仅反映了生成式 AI 的革命性进展,也揭示了其存在的局限与争议。