シドニー工科大学、新クラスタリング手法「Torque」発表：人手ラベル不要で精度97.7%

Torque Clustering（トルク・クラスタリング）は、シドニー工科大学の研究チームがオープンソース化した教師なし学習アルゴリズムです。人手によるデータラベリングや煩雑なハイパーパラメータ調整を一切必要とせず、生データから自動的にパターンを見つけ出して分類してくれます。

医療カルテ、金融取引ログ、センサーデータなど、ラベル付けされていない大量のデータを手早く整理したいときに役立つツールです。

何ができるのか

従来のクラスタリング手法には大きな弱点がありました。事前にクラスタ数を指定する必要があったり、パラメータ設定が少しずれるだけで結果が大きく崩れたりすることです。データの形状がいびつだったりノイズが多かったりすると、実用的な精度を出すのが困難でした。

Torque Clustering は完全な自動化とパラメータフリーを実現しています。データの形状、密度のばらつき、ノイズの大小を問わず自律的に適応します。

例えば創薬や臨床研究では、事前の正解ラベルなしで患者の症状や治療反応をグループ分けし、未知の疾患サブタイプを発見する手がかりを作れます。金融分野なら、過去の不正事例に頼らず取引パターンの歪みを直接検出し、新手の不正取引を察知できます。

その仕組み

このアルゴリズムのユニークな点は、天体物理学における「銀河衝突時の重力相互作用とトルクバランス」から着想を得ている点です。

研究チームはデータを質量と距離という宇宙の基本概念に置き換えて処理しました。トルクの釣り合いを利用して空間内の質量と距離のピークを高速に特定することで、人間が指示を出さなくてもデータの自然な塊と境界を浮き彫りにします。

本研究の成果をまとめた論文は、AI分野のトップ学術誌である IEEE TPAMI に掲載されています。

ベンチマークと導入方法

性能面でのアドバンテージも明確です。1000 種類におよぶ多様なデータセットを用いたテストにおいて、クラスタリング精度を測る指標である AMI（Adjusted Mutual Information）で平均 97.7% を記録しました。既存の有力手法が 80% 台にとどまるなか、圧倒的な数値を叩き出しています。

また、最新の競合手法 19 種類との比較でも、正解グループが既知のデータセット 19 個中 15 個で最高精度を獲得しました。さらに 20 個中 15 個のデータセットで、手動入力なしに正しいグループ数を自力で特定できています。

ソースコードはオープンソースとして研究者向けに公開されており、自身のデータセットに組み込んで検証することが可能です。

なぜ重要か

現在の大規模 AI は莫大なコストをかけた人手ラベルに依存していますが、現実の産業データの大半はラベルのない生データです。専門家によるアノテーションが難しい分野ほど、自律的に構造を抽出できる教師なし学習の価値は高くなります。

Torque Clustering は、パラメータ調整という泥臭い作業を物理法則のアナロジーで鮮やかに解決した点が秀逸です。未加工のテーブルデータや時系列ログを抱えるデータサイエンティストなら、真っ先にパイプラインへ投入して試してみる価値があります。