相信不少人小时候都有过这样的经历：抬头仰望夜空天宇优配，欣赏着灿烂的银河，惊叹于宇宙的深邃和美丽。长大后，经过学习，我们知道，世界上所有事物的运动都离不开万有引力——只要是有质量的两个物体，它们之间就会存在一个相互吸引的力，大小取决于自身质量与二者间的距离。如此普适却又深邃的引力，又可以为人工智能的发展提供什么启发呢？今天，琶科小博士就带大家一起了解一项AI界的新成果——扭矩聚类（Torque Clustering）。
聚类与传统算法的困境
在数据的世界里，存在着类似于分类的需求，这便是聚类。在人工智能领域，聚类是一种无监督学习技术，旨在将数据点分组，让同一组内的数据点具有相似属性或特征。不同组的数据点属性差异明显，就好比把超市里的商品按不同类别分开，聚类能将杂乱的数据点梳理成有意义的组，为后续分析和处理奠定基础。
在传统的聚类方法中，无论是哪种算法，都面临着一个问题：需要预先设置参数，人工进行分类。以著名的K-Means算法为例，聚类数K值的选择对后续的运算存在至关重要的影响，我们举个例子来理解：K值过小，就如同一个大城市只有很少的配送中心，很多快递不能及时送达；K值过大，则像一个小城市里有许多配送中心，不仅造成资源浪费，还可能对噪声过于敏感，造成误判。参数选择上的主观性与复杂性，使传统聚类算法在应对复杂数据与多样化的应用场景时“有心无力”，无法发挥出最佳效果。
天宇优配
当AI学会自主分类：扭矩聚类登场
今天的主角——扭矩聚类，在这一领域掀起了新的波澜。它的诞生灵感源于宇宙中的星系合并：宇宙中正在合并的星系内部会发生复杂的变化，但最终可以依靠相互作用的引力达到扭矩平衡。扭矩是使物体发生转动的一种力矩，举个例子，用扳手拧螺丝时，施加在扳手上的力以及扳手的长度（力臂）共同决定了扭矩的大小。对螺丝施加的扭矩越大，螺丝就越容易转动；而当我们把螺丝拧到底时，反作用力形成的扭矩会阻止螺丝继续旋入，这时就达到了扭矩平衡——也就是螺丝“拧紧了”。
扭矩聚类算法模拟了上述过程，将所有数据点视为拥有“质量”——可以理解为数据点的重要程度，而数据点之间的距离则类似于天体的空间距离。根据这两个数据，就可以如同计算天体的引力相互作用一样，离得近就自动抱团形成聚类，离得远则各成一派。这种全自动、基于物理概念的聚类方式，使得扭矩聚类具有很强的适应性。无论是数据分布呈现出复杂的形状，还是数据集中存在大量噪声干扰，扭矩聚类都能准确地识别出数据的聚类结构，不受外界复杂因素的过多干扰，就像宇宙中的引力能够有条不紊地塑造星系结构一样。
实验验证：数据不会说谎
扭矩聚类算法的性能又有多么优秀呢？在测试中，研究人员使用归一化互信息（NMI）来衡量聚类的准确性，就像给聚类结果和真实分类“打分”，分数越高，说明算法判断的越准。与19种经典的聚类算法对比，在19个有标签的数据集中，扭矩聚类在15个排名第一，平均排名1.6，远高于第二名的6.7；在特殊特性数据集上对比，扭矩聚类在56个高噪声、重叠、不平衡或高维基因表达数据集中的NMI得分大部分均为第一，综合表现遥遥领先次优算法。这意味着扭矩聚类算法能在医学数据里精准找出患病模式、在银行流水里揪出可疑交易、甚至解析分子结构……这些都是实实在在能改善生活的本事。
扭矩聚类算法为AI的未来发展开辟了新的道路。它的出现，是“让AI的思维模式更像人”这一方向上的重大突破，让我们看到了自主AI的无限潜力。相信在未来，随着这一算法的不断优化和发展，它有望在更多领域发挥关键作用，推动人工智能技术迈向新的高度。
今天的科普就到这里，我们下期再见！
声明：本科普号发布的部分图文素材等来源于第三方或网络信息，本文仅用于公益科普，版权归原作者或机构所有，内容如有侵权，请及时联系本科普号删除。本文中来源于文献的素材均引自https://ieeexplore.ieee.org/document/10856563
作者：李东恒天宇优配
顺发配资提示：文章来自网络，不代表本站观点。
沪深京指数
热点资讯
