Forscher haben einen neuen KI -Algorithmus entwickelt, der als Drehmoment -Clustering bezeichnet wird und der natürlichen Intelligenz viel näher ist als aktuelle Methoden. Es verbessert die Art und Weise, wie KI -Systeme Muster in Daten unabhängig voneinander lernen und aufdecken, ohne menschliche Anleitung.
Das Drehmomentclustering kann große Datenmengen in Bereichen wie Biologie, Chemie, Astronomie, Psychologie, Finanzen und Medizin effizient und autonom analysieren, um neue Erkenntnisse wie das Erfassen von Krankheitsmustern, das Aufdecken von Betrug oder das Verständnis des Verhaltens zu enthüllen.
„In der Natur lernen Tiere, indem sie ohne explizite Anweisungen beobachten, erforschen und mit ihrer Umgebung interagieren. Die nächste Welle von KI,“ unbeaufsichtigtes „Lernen“, zielt darauf ab, diesen Ansatz nachzuahmen „, sagte der angesehene Professor CT Lin von der University of Technology Sydney (Sydney (Distinguished Professor UTS).
„Fast alle aktuellen KI -Technologien stützen sich auf“ überwachtes Lernen „, einer KI -Trainingsmethode, bei der viele Datenmengen von einem Menschen mithilfe vordefinierter Kategorien oder -werte gekennzeichnet werden müssen, damit die KI Vorhersagen treffen und Beziehungen sehen kann.
„Überwachendes Lernen hat eine Reihe von Einschränkungen. Kennzeichnungsdaten sind kostspielig, zeitaufwändig und für komplexe oder groß angelegte Aufgaben häufig unpraktisch. Im Gegensatz dazu funktioniert das Lernen ohne beschriftete Daten und entdeckt die inhärenten Strukturen und Muster in Datensätzen.“
Ein Papier, in dem die Drehmoment -Clustering -Methode, autonomes Clustering durch schnelle Fund von Massen- und Entfernungsspitzen, beschrieben wurde, wurde gerade veröffentlicht in IEEE -Transaktionen zur Musteranalyse und der maschinellen IntelligenzEin führendes Tagebuch im Bereich der künstlichen Intelligenz.
Der Drehmoment -Clustering -Algorithmus übertrifft herkömmliche unbeaufsichtigte Lernmethoden und bietet eine potenzielle Paradigmenverschiebung. Es ist vollständig autonom, parameterfrei und kann große Datensätze mit außergewöhnlicher Recheneffizienz verarbeiten.
Es wurde streng an 1.000 verschiedenen Datensätzen getestet, wodurch ein durchschnittlich angepasster gegenseitiger Informationswert (AMI) – ein Maß für die Clustering -Ergebnisse – von 97,7%erzielt wurde. Im Vergleich dazu erzielen andere hochmoderne Methoden nur Punktzahlen im Bereich von 80%.
„Was Drehmoment -Clustering auszeichnet, ist das Fundament im physischen Drehmomentkonzept, das es ermöglicht, Cluster autonom zu identifizieren und sich nahtlos an verschiedene Datentypen mit unterschiedlichen Formen, Dichten und Rauschgraden anzupassen“, sagte der erste Autor Dr. Jie Yang.
„Es wurde durch das Drehmomentgleichgewicht der Gravitationswechselwirkungen inspiriert, wenn Galaxien verschmelzen. Es basiert auf zwei natürlichen Eigenschaften des Universums: Masse und Distanz. Diese Verbindung zur Physik verleiht der Methode eine grundlegende Schicht wissenschaftlicher Bedeutung.
„Der Nobelpreis in Physik des letzten Jahres wurde für grundlegende Entdeckungen verliehen, die überwachtes maschinelles Lernen mit künstlichen neuronalen Netzwerken ermöglichen. Unbewegtes maschinelles Lernen – inspiriert vom Drehmoment -Prinzip – hat das Potenzial, einen ähnlichen Einfluss zu erzielen“, sagte Dr. Yang.
Das Drehmoment-Clustering könnte die Entwicklung allgemeiner künstlicher Intelligenz, insbesondere in Robotik- und autonomen Systemen, unterstützen, indem sie Bewegung, Kontrolle und Entscheidungsfindung optimiert. Es wird die Landschaft des unbeaufsichtigten Lernens neu definieren und den Weg für eine wirklich autonome KI ebnen. Der Open-Source-Code wurde Forschern zur Verfügung gestellt.
