Новый алгоритм машинного обучения «без учителя»

Группа учёных разработала новый алгоритм ИИ под названием Torque Clustering, который по своей сути оказался гораздо более приближен к естественному интеллекту, чем существующие алгоритмы. Он значительно улучшает процесс определения закономерностей в наборах данных без участия человека.

Torque Clustering позволяет эффективно и автономно анализировать огромные объемы данных в таких областях, как биология, химия, астрономия, психология, финансы и медицина, позволяя выявлять закономерности и получать новые знания.

“В природе животные учатся, наблюдая, исследуя и взаимодействуя с окружающей средой, без каких-либо чётких инструкций. Следующая волна развития искусственного интеллекта “обучение без учителя” призвана сымитировать такой подход”, – говорит профессор Лин из Технологического университета Сиднея (UTS).

“Почти все существующие современные технологии ИИ основаны на “контролируемом обучении” – методе обучения ИИ, который требует, чтобы именно человек размечал большие объемы данных, используя предопределенные категории или значения.

Однако, контролируемое обучение имеет ряд ограничений. Маркировка данных является дорогостоящей, отнимающей много времени и часто непрактичной для решения сложных или крупномасштабных задач. «Обучение без учителя», напротив, работает без традиционной разметки данных, выявляя присущие их наборам структуры и закономерности.

В журнале IEEE Transactions, посвященном анализу паттернов и машинному обучению, недавно была опубликована статья, в которой подробно описывается метод «автономной кластеризации путем быстрого определения пиков массы и расстояния (Torque Clustering) “.

Как показали исследования, алгоритм Torque Clustering превосходит подобные методы обучения без учителя, претендуя на потенциальную смену парадигмы. Он полностью автономен, не зависит от параметров и может обрабатывать большие наборы данных с исключительной вычислительной эффективностью.

Разработанный алгоритм был тщательно протестирован разработчиками на 1000 различных наборах данных, в результате чего средняя скорректированная оценка взаимной информации (AMI) — показатель результатов кластеризации — составила 97,7%. Для сравнения, другие аналогичные методы дают результаты только в диапазоне 80%.

По словам одного из авторов разработки доктора Янга, “Torque Clustering отличается тем, что в его основе лежит физическая концепция torque, позволяющая автономно идентифицировать кластеры и легко адаптироваться к различным типам данных с различной формой, плотностью и степенью шума. 

Метод использует принцип баланса крутящих моментов в гравитационных взаимодействиях при слиянии галактики и опирается на два естественных свойства Вселенной: массу и расстояние. Эта связь с классической физикой придает методу фундаментальное научное значение.

“Прошлогодняя Нобелевская премия по физике была присуждена за фундаментальные открытия, позволяющие осуществлять контролируемое машинное обучение с помощью искусственных нейронных сетей. Машинное обучение без обучающего контроля, основанное на принципе крутящего момента, может оказаться не менее выдающимся достижением” – считает доктор Янг.

Torque Clustering может серьёзно повлиять на развитие всего искусственного интеллекта, особенно в робототехнике и беспилотных автономных системах, помогая оптимизировать движение, осуществлять координацию и принимать решения. Этот алгоритм способен кардинально изменить ландшафт машинного обучения, проложив путь к по-настоящему автономному ИИ.

Открытый исходный код был предоставлен разработчиками в распоряжение всех заинтересованных исследователей.

Источник: TechXplore

Изображение для иллююстрации: DilokaStudio на Freepik