Tổng quan về luận án

Trong kỷ nguyên bùng nổ tri thức khoa học, mạng xã hội học thuật (Academic Social Networks - ASN) đóng vai trò cấu trúc nền tảng phản ánh sự tương tác, kết nối và hợp tác nghiên cứu giữa các nhà khoa học. Mối quan hệ hợp tác học thuật thông qua các công trình công bố chung tạo nên mạng đồng tác giả (Co-authorship Network). Nghiên cứu của Larivière và các cộng sự (2015) đã chứng minh quy luật thực nghiệm: các nhóm nghiên cứu có số lượng thành viên đông đảo, đa dạng về chuyên môn và vị trí địa lý tạo ra các công bố khoa học có chỉ số trích dẫn và mức độ ảnh hưởng học thuật (scientific impact) vượt trội. Do đó, bài toán dự đoán liên kết đồng tác giả (Co-authorship Link Prediction) nhằm gợi ý các cộng sự nghiên cứu tiềm năng trong tương lai trở thành một hướng nghiên cứu mũi nhọn trong khoa học dữ liệu và hệ thống thông tin.

Tuy nhiên, khi mô hình hóa bài toán dự đoán đồng tác giả thành bài toán phân lớp nhị phân có giám sát (Supervised Binary Classification), một rào cản mang tính bản chất xuất hiện: vấn đề mất cân bằng dữ liệu cực đoan (Extreme Class Imbalance Learning - CIL). Trong không gian mạng đồng tác giả biểu diễn dưới dạng đồ thị thưa $G_T = (V^T, E^T, P^T, T)$, số lượng các cạnh kết nối thực tế xuất hiện trong tương lai ($T_2$) chiếm tỷ lệ rất nhỏ so với không gian các cặp tác giả tiềm năng hình thành từ quá khứ ($T_1$). Cụ thể, tỷ lệ nhãn dương ($+1$ - có hợp tác) chỉ chiếm xấp xỉ $1%$, trong khi nhãn âm ($-1$ - không hợp tác) chiếm tới $99%$ tổng số mẫu trong bảng ứng viên. Hiện tượng này khiến các giải thuật học máy truyền thống tối ưu hóa độ chính xác tổng thể (Accuracy) rơi vào bẫy phân loại sai toàn bộ lớp thiểu số, dẫn đến độ nhạy (Sensitivity) xấp xỉ bằng $0$.

       Mô hình hóa Mạng Đồng tác giả & Bài toán Phân lớp Nhị phân Mất cân bằng
       
  - Đỉnh V: Tác giả (Authors)          - Véc-tơ thuộc tính: CN, AA, JC, PA, RA, SP, Katz, CC
  - Cạnh E: Đồng tác giả (Papers P)    - Nhãn lớp (+1/-1) xác định qua lát cắt thời gian T1 -> T2
  - Cực đoan: Nhãn dương (+1) ~ 1%    - Rủi ro: Thuật toán truyền thống thiên vị lớp đa số (-1)

Luận án tiến sĩ hệ thống thông tin của nghiên cứu sinh Võ Đức Quang, dưới sự hướng dẫn khoa học của PGS. Trần Đình Khang tại Đại học Bách khoa Hà Nội (2024), mang tên: "Cải tiến thuật toán phân lớp cho dữ liệu không cân bằng và ứng dụng trong dự đoán đồng tác giả" (Mã số: 9480104) đã tập trung giải quyết triệt để bài toán này. Luận án đặt ra hai câu hỏi nghiên cứu cốt lõi:

  1. Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để cải tiến phương pháp học kết hợp thích nghi AdaBoost nhằm kiểm soát hiệu quả sự mất cân bằng dữ liệu và tối ưu hóa việc phân loại nhãn dương trong bài toán dự đoán đồng tác giả?
  2. Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để thiết lập cơ chế điều chỉnh trọng số mờ thích nghi trên nền tảng Fuzzy SVM-CIL nhằm xử lý đồng thời mức độ bất cân bằng mẫu và sự phân bố phức tạp của các mẫu nằm tại vùng biên phân lớp nhạy cảm hoặc nhiễu?

Về phạm vi thực nghiệm, nghiên cứu thu thập và xử lý tập dữ liệu thực tế khổng lồ từ thư viện khoa học ScienceDirect thông qua hệ thống HTTP API giai đoạn 2000–2017 trên 3 tạp chí chuyên ngành sinh hóa - lý sinh: Chemical Physics Letters (18.931 bài báo, 41.806 tác giả), Journal of Molecular Biology (10.806 bài báo, 35.217 tác giả), và Biochemical and Biophysical Research Communications (34.848 bài báo, 134.448 tác giả). Đồng thời, 4 bộ dữ liệu chuẩn benchmark từ kho lưu trữ UCI (Transfusion, Ecoli, Yeast, Abalone) với tỷ lệ mất cân bằng từ $23.79%$ xuống đến $2.47%$ được tích hợp để kiểm chứng độ vững chắc (robustness) và tính tổng quát hóa của các đóng góp thuật toán.

Literature Review và Positioning

Nghiên cứu dự đoán liên kết trong mạng xã hội và mạng học thuật đã phát triển qua nhiều giai đoạn với các trường phái tiếp cận đa dạng. Trường phái thứ nhất dựa trên các độ đo tương đồng topo mạng (Topology-based Similarity Measures) được khởi xướng bởi Liben-Nowell & Kleinberg (2007). Nhóm này bao gồm các độ đo dựa trên láng giềng cục bộ như Common Neighbor (CN), Jaccard Coefficient (JC), Adamic-Adar (AA), Preferential Attachment (PA), Resource Allocation (RA) hay các độ đo toàn cục dựa trên đường dẫn như Shortest Path (SP), Katz Index, SimRank. Trường phái thứ hai khai thác các mô hình xác suất và đồ thị ngẫu nhiên như Stochastic Block Model (SBM) hay Hierarchical Structure Model (HSM). Trường phái thứ ba ứng dụng biểu diễn không gian ẩn (Network Embedding) và mạng nơ-ron đồ thị như Node2vec (Grover & Leskovec, 2016), Graph Convolutional Networks - GCN (Kipf & Welling, 2016) và Graph Attention Networks - GAT (Veličković et al., 2018).

                           Tiến trình Phát triển Khoa học
                           
  - CN, AA, JC, RA, Katz          - Node2vec, DeepWalk, GCN             - Cost-sensitive AdaBoost
  - Liben-Nowell & Kleinberg      - Kipf & Welling (2016)               - FSVM-CIL (Batuwita, 2010)
  - Hạn chế: Đơn lẻ, thiếu trọng   - Hạn chế: Chi phí tính toán cao,      - Luận án: Im.AdaBoost &
    số kết hợp đa chiều             chưa tối ưu cho biên mất cân bằng     AFW-CIL trên bảng ứng viên

Khi chuyển dịch bài toán sang học máy có giám sát (Hasan et al., 2006; Phạm Minh Chuẩn, 2018; Nguyễn Đăng Tuấn Anh, 2021), các độ đo liên kết topo kết hợp với thông tin thuộc tính tác giả (quốc gia chung - Common Country, nơi làm việc tương đồng - Similar Work) được chuyển hóa thành véc-tơ đặc trưng đa chiều. Tuy nhiên, một cuộc tranh luận học thuật sâu sắc tồn tại giữa hai cách tiếp cận xử lý dữ liệu mất cân bằng (Class Imbalance Learning):

Trường phái tiếp cận mức dữ liệu (Data-level approaches): Sử dụng các kỹ thuật tái lấy mẫu (Resampling) như tăng mẫu thiểu số tổng hợp SMOTE (Chawla et al., 2002), Borderline-SMOTE (Han et al., 2005), ADASYN (He et al., 2008) hoặc giảm mẫu đa số (Under-sampling) kết hợp khử mẫu nhiễu bằng Tomek Links (Tomek, 1976), ENN (Wilson, 1972). Nhược điểm chí mạng của phương pháp này là việc tạo mẫu nhân tạo dễ đưa nhiễu vào vùng biên phân lớp, trong khi loại bỏ mẫu đa số dẫn tới mất mát thông tin cấu trúc toàn cục của đồ thị mạng đồng tác giả.

Trường phái tiếp cận mức thuật toán (Algorithm-level approaches): Điều chỉnh trực tiếp cấu trúc hàm mục tiêu và cơ chế học của thuật toán. Nổi bật là các biến thể AdaBoost nhạy cảm chi phí như AdaC1, AdaC2, AdaC3 của Sun et al. (2007) và dòng thuật toán máy véc-tơ hỗ trợ gán trọng số mờ như FSVM của Lin & Wang (2002) hay FSVM-CIL của Batuwita & Pal (2010).

Luận án định vị nghiên cứu theo trường phái tiếp cận mức thuật toán kết hợp phân tích hình học không gian dữ liệu. Thay vì can thiệp cơ học vào phân bố tập dữ liệu gốc, nghiên cứu giải quyết triệt để hai điểm nghẽn lý thuyết chưa được xử lý trong các công trình quốc tế tiền nhiệm:

  1. Sự bất cân xứng trong việc gán trọng số ban đầu và cập nhật độ tin cậy của bộ phân lớp thành viên trong thuật toán AdaBoost gốc (Freund & Schapire, 1997), vốn mặc định khởi tạo phân phối đều $D_1 = {1/N}$ và tính toán lỗi không phân biệt trọng số phạt giữa các lớp.
  2. Sự phiến diện của các hàm thuộc mờ trong FSVM-CIL (Batuwita & Pal, 2010), khi các hàm này chỉ xem xét khoảng cách từ một điểm dữ liệu tới tâm của chính lớp nó hoặc siêu phẳng ước lượng, hoàn toàn bỏ qua tương quan khoảng cách tới tâm lớp đối nghịch và chưa có cơ chế thích nghi cho các mẫu nhạy cảm nằm trong cặp liên kết Tomek (Tomek Link Pairs - TLPs) trên đường biên phân lớp.

Đóng góp lý thuyết và khung phân tích

                                  KHUNG PHÂN TÍCH TỔNG THỂ

Đóng góp cho lý thuyết

Luận án tạo ra những bước tiến mang tính đột phá cho lý thuyết học máy trên dữ liệu không cân bằng thông qua việc mở rộng hai nền tảng thuật toán kinh điển:

Mở rộng lý thuyết Ensemble Boosting cho phân lớp mất cân bằng (Im.AdaBoost):

  • Luận án phá vỡ giả định phân phối đều truyền thống bằng cách đề xuất cơ chế khởi tạo trọng số lỗi ban đầu $D_1 = {\omega_i^1}$ phụ thuộc trực tiếp vào tham số bất cân bằng $\theta \in [0, 1]$. Mẫu nhãn dương $+1$ được gán trọng số ban đầu lớn hơn đáng kể so với mẫu nhãn âm $-1$.
  • Tái cấu trúc công thức tính trọng số độ tin cậy $\alpha_t$ của bộ phân lớp yếu $h_t$. Trong AdaBoost chuẩn, $\alpha_t = \frac{1}{2} \ln \left(\frac{1 - \varepsilon_t}{\varepsilon_t}\right)$ với tổng lỗi $\varepsilon_t = \sum_{y_i \neq h_t(x_i)} \omega_i^t$. Luận án thiết lập hàm mục tiêu mới, biến đổi $\alpha_t$ thành đại lượng nhạy cảm với tổng sai số trên tập mẫu dương $\varepsilon_t^+$, buộc thuật toán tại mỗi vòng lặp tuần tự phải ưu tiên tối đa hóa việc bao phủ chính xác các mẫu thuộc lớp thiểu số.

Mở rộng lý thuyết Máy véc-tơ hỗ trợ mờ (AFW-CIL & F-AWA):

  • Thách thức trực tiếp mô hình FSVM-CIL của Batuwita & Pal (2010). Luận án chứng minh rằng việc chỉ đo khoảng cách tới tâm lớp nội bộ $d_{cen}(x_i)$ không phản ánh được cấu trúc hình học thực tế khi các mẫu phân bố đan xen.
  • Xây dựng hàm thuộc mờ hai tâm (Bi-centroid Semantic Fuzzy Membership Function), tích hợp đồng thời khoảng cách từ điểm dữ liệu $x_i$ tới tâm cụm lớp dương $C^+$ và tâm cụm lớp âm $C^-$, cung cấp độ đo giàu ngữ nghĩa hình học hơn về mức độ thuộc về của từng mẫu.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chặt chẽ 4 lý thuyết và giải thuật nền tảng: Lý thuyết tập mờ (Zadeh, 1965), Lý thuyết tối ưu hóa biên lề lồi Soft-Margin SVM (Cortes & Vapnik, 1995), Cấu trúc liên kết topo Tomek Links (Tomek, 1976) và K-láng giềng gần nhất (KNN).

Điểm độc đáo cốt lõi nằm ở thuật toán điều chỉnh trọng số mờ thích nghi F-AWA (Fuzzy Adaptive Weight Adjustment) trong mô hình AFW-CIL:

  1. Nhận diện chính xác 4 trường hợp mẫu nhạy cảm tại không gian biên giới phân lớp bằng cách kết hợp cặp Tomek Links (TLPs) và kiểm tra $K$ láng giềng gần nhất:
    • Trường hợp 1: Mẫu dương nằm sát biên lề phân tách nhưng thuộc vùng phân bố an toàn.
    • Trường hợp 2: Mẫu dương bị bao vây bởi đa số các mẫu âm (mẫu thiểu số bị cô lập).
    • Trường hợp 3: Mẫu âm nằm lấn sâu vào không gian lớp dương (mẫu nhiễu âm).
    • Trường hợp 4: Mẫu dương nằm lấn sâu vào không gian lớp âm (mẫu nhiễu dương).
  2. Thiết lập quy tắc hiệu chỉnh trọng số mờ động: Thay vì xóa bỏ mẫu làm thay đổi cấu trúc dữ liệu như các kỹ thuật tiền xử lý truyền thống, thuật toán F-AWA thực hiện hạ thấp trọng số của các mẫu nhiễu và tăng cường trọng số mờ của các mẫu dương biên quan trọng. Điều này cho phép bài toán tối ưu hóa bậc hai trong không gian đối ngẫu Lagrange của SVM tập trung thiết lập siêu phẳng phân lớp $h(x) = \text{sign}(\langle \omega, x \rangle + b)$ tối ưu biên lề mà không bị lệch về phía lớp thiểu số.

Điều kiện biên (Boundary conditions): Khung phân tích hoạt động tối ưu trong không gian dữ liệu liên tục hoặc rời rạc có thể định lượng được khoảng cách Minkowski/Euclidean, với tỷ lệ mất cân bằng mẫu dao động từ $1:4$ đến mức cực đoan $1:100$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ thế giới quan thực chứng (Positivism Paradigm) và lập trường nhận thức luận khách quan thực nghiệm (Empirical Computational Epistemology). Thiết kế nghiên cứu được xây dựng theo mô hình định lượng phức hợp nhiều tầng (Multi-level Quantitative Experimental Design):

                                QUY TRÌNH THỰC NGHIỆM ĐA TẦNG
  • Tầng 1 - Thu thập và tiền xử lý dữ liệu thực thể: Khai thác dữ liệu công bố từ ScienceDirect, trích xuất định danh tác giả duy nhất (Unique Author ID) nhằm loại bỏ hoàn toàn hiện tượng trùng tên (Name Ambiguity Problem).
  • Tầng 2 - Xây dựng không gian véc-tơ đặc trưng liên kết: Tính toán đồng thời 8 độ đo liên kết topo và ngữ cảnh cho từng cặp ứng viên $(v_i, v_j)$: Common Neighbor ($CN$), Adamic-Adar ($AA$), Jaccard Coefficient ($JC$), Preferential Attachment ($PA$), Resource Allocation ($RA$), Shortest Path ($SP$), Katz Index, và Common Country ($CC$).
  • Tầng 3 - Thiết lập lát cắt thời gian dự đoán: Mạng $G_{T_1}$ (giai đoạn quan sát) được dùng để trích xuất thuộc tính; mạng $G_{T_2}$ (giai đoạn tương lai) được dùng để xác định nhãn liên kết $+1$ hoặc $-1$.

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu được tiến hành nghiêm ngặt qua giao thức 3 bước tự động hóa bằng Python:

  1. Giao thức API Search: Gửi truy vấn cấu trúc ISSN = 0006291X AND DATE >= 2000-01-01 AND DATE < 2018-01-01 để trích xuất toàn bộ danh mục bài báo của 3 tạp chí đích.
  2. Giao thức Article Retrieval: Bóc tách thông tin siêu dữ liệu bao gồm tiêu đề, tóm tắt, từ khóa, danh sách tác giả và DOI.
  3. Giao thức Author Retrieval: Trích xuất thông tin định danh chuyên sâu của từng tác giả gồm cơ quan công tác (Affiliation), quốc gia (Nationality), và lĩnh vực chuyên môn.

Tính giá trị (Validity) và độ tin cậy (Reliability):

  • Construct Validity: Được đảm bảo thông qua việc chuẩn hóa toán học các độ đo liên kết topo đã được thẩm định trong lý thuyết mạng phức hợp.
  • Internal Validity: Kiểm soát chặt chẽ hiện tượng rò rỉ dữ liệu thời gian (Temporal Data Leakage) bằng cách phân tách tuyệt đối giữa khoảng thời gian tính thuộc tính $T_1$ và khoảng thời gian gán nhãn kiểm chứng $T_2$.
  • External Validity: Kiểm định chéo trên 4 bộ dữ liệu chuẩn độc lập từ kho lưu trữ UCI Machine Learning Repository.
  • Kỹ thuật lấy mẫu phân tầng (Stratified K-fold Cross-Validation): Được áp dụng trong toàn bộ các kịch bản huấn luyện để duy trì tỷ lệ mất cân bằng nguyên bản giữa các tập con huấn luyện và kiểm thử.

Data và phân tích

Môi trường thực nghiệm được triển khai trên hệ thống phần cứng chuyên dụng: CPU Intel Core i7-8550U 1.8 GHz, RAM 16 GB, SSD 256 GB, hệ điều hành Windows 11 64-bit; nền tảng phần mềm Anaconda 2022, Python 3.11, kết hợp các thư viện chuyên sâu Scikit-learn, Numpy, Pandas và Keras.

Kỹ thuật phân tích dữ liệu tập trung vào các độ đo đánh giá chuyên biệt cho bài toán Class Imbalance Learning thay vì Accuracy thông thường:

  • Độ nhạy (Sensitivity/Recall): $\text{SE} = \frac{\text{TP}}{\text{TP} + \text{FN}}$ (Đo lường tỷ lệ phát hiện chính xác các liên kết đồng tác giả thực tế).
  • Độ đặc hiệu (Specificity): $\text{SP} = \frac{\text{TN}}{\text{TN} + \text{FP}}$ (Đo lường tỷ lệ nhận diện đúng các cặp không hợp tác).
  • Trung bình hình học (Geometric Mean): $\text{G-mean} = \sqrt{\text{SE} \times \text{SP}}$ (Chỉ số cân bằng tối thượng đánh giá đồng thời chất lượng phân lớp trên cả hai lớp).
  • Diện tích dưới đường cong ROC (AUC-ROC) và F1-Score: Đánh giá sự ổn định của ngưỡng phân lớp.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Sự vượt trội toàn diện của thuật toán Im.AdaBoost kết hợp Weighted-SVM: Trên cả dữ liệu mạng đồng tác giả ScienceDirect và 4 bộ dữ liệu UCI, thuật toán Im.AdaBoost đề xuất cho thấy sự cải thiện vượt bậc về chỉ số G-mean và SE so với AdaBoost nguyên bản, AdaBoost kết hợp Decision Tree (AdaBoost.DT) và SVM truyền thống. Khi tham số khởi tạo $\theta$ được tinh chỉnh thích nghi với tỷ lệ mất cân bằng dữ liệu, giá trị SE trên tập dữ liệu bảng ứng viên đồng tác giả tăng từ mức dưới $15%$ (đối với SVM chuẩn) lên trên $75%$, trong khi vẫn duy trì chỉ số SP ở mức cao ($> 88%$).

  2. Đột phá hiệu năng của hàm thuộc mờ 2 tâm trong FSVM-CIL: Việc thay thế các hàm thuộc mờ 1 tâm truyền thống bằng hàm tuyến tính hai tâm ($\text{FSVM-CIL}_{lin}^{cen}$) giúp nâng cao độ chính xác trong việc xác định trọng số mẫu. Cụ thể, trên bộ dữ liệu Transfusion (UCI, $N=748$, $23.79%$ mẫu dương), giá trị G-mean đạt mức tăng trưởng rõ rệt so với mô hình gốc của Batuwita & Pal (2010), chứng minh tính đúng đắn của giả thuyết hình học không gian đa chiều.

  3. Khả năng khử nhiễu và bảo toàn mẫu thiểu số của cơ chế F-AWA: Kết quả thực nghiệm trên các tập dữ liệu có tỷ lệ mất cân bằng cực đoan chứng minh rằng thuật toán AFW-CIL (tích hợp F-AWA) đạt hiệu năng cao hơn hẳn phương pháp loại bỏ cặp Tomek Links cơ học. Thay vì xóa bỏ các mẫu dương biên dẫn đến mất mát tri thức hiếm, việc điều chỉnh hạ trọng số mờ cho mẫu nhiễu và tăng cường trọng số cho mẫu dương biên giúp siêu phẳng phân lớp đạt độ phân cách cực đại mà không bị biến dạng.

  4. Tính nhạy cảm phi tuyến của các độ đo topo mạng: Phân tích thực nghiệm khẳng định các độ đo láng giềng chung có trọng số như Adamic-Adar ($AA$) và Resource Allocation ($RA$) có đóng góp trọng số phân loại lớn nhất trong véc-tơ đặc trưng, trong khi độ đo địa lý Common Country ($CC$) đóng vai trò thuộc tính bổ trợ hữu ích trong việc lọc các ứng viên biên giới.

Implications đa chiều

  • Về mặt lý thuyết (Theoretical Implications): Luận án mở rộng lý thuyết học máy cho dữ liệu mất cân bằng, đóng góp các định thức toán học mới cho Ensemble Learning và Fuzzy Support Vector Machines. Công trình giải quyết bài toán xung đột giữa việc tối đa hóa biên lề lồi và việc giảm thiểu tổn thất trên lớp thiểu số.
  • Về mặt phương pháp luận (Methodological Innovations): Cung cấp quy trình chuẩn hóa từ khâu trích xuất API, xây dựng bảng ứng viên thời gian thực, tính toán véc-tơ đặc trưng topo, đến việc áp dụng các thuật toán phân lớp nhạy cảm chi phí. Quy trình này có thể chuyển giao hoàn toàn sang các bài toán phân lớp mất cân bằng khác như: phát hiện gian lận thẻ tín dụng, chẩn đoán hình ảnh y tế phát hiện ca bệnh hiếm, và dự báo xâm nhập mạng bất hợp pháp.
  • Về mặt thực tiễn (Practical Applications): Cung cấp thuật toán lõi vững chắc cho việc phát triển các Hệ thống khuyến nghị học thuật (Academic Recommender Systems), hỗ trợ các nhà nghiên cứu tìm kiếm cộng sự tương hợp, hỗ trợ các trường đại học xây dựng nhóm nghiên cứu mạnh liên ngành.
  • Về mặt chính sách quản lý khoa học (Policy Implications): Giúp các cơ quan quản lý khoa học (như Bộ Khoa học và Công nghệ, Quỹ NAFOSTED) có công cụ định lượng đánh giá xu hướng liên kết nghiên cứu, từ đó hoạch định các chính sách tài trợ kinh phí thúc đẩy hợp tác nghiên cứu quốc tế và liên cơ sở giáo dục đại học.

Limitations và Future Research

Luận án thừa nhận một số giới hạn nghiên cứu khách quan:

  1. Giới hạn miền dữ liệu thực nghiệm: Dữ liệu mạng đồng tác giả thực nghiệm mới chỉ tập trung khai thác trong nhóm 3 tạp chí thuộc lĩnh vực Sinh hóa và Lý sinh trên hệ thống ScienceDirect. Tính chất cấu trúc mạng đồng tác giả có thể có sự khác biệt nhất định giữa các ngành khoa học xã hội hoặc khoa học máy tính.
  2. Độ phức tạp tính toán: Việc tính toán ma trận khoảng cách cho cặp Tomek Links (TLPs) và K-láng giềng gần nhất (KNN) trên không gian dữ liệu hàng triệu nút đòi hỏi chi phí tính toán lớn về bộ nhớ và thời gian CPU.
  3. Chưa tích hợp phân tích ngữ nghĩa sâu: Luận án tập trung vào các độ đo topo mạng và thông tin địa lý/cơ quan, chưa khai thác sâu kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) trên toàn văn bài báo khoa học.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Mở rộng tích hợp kiến trúc Mạng nơ-ron đồ thị tích chập (Graph Convolutional Networks - GCN) và Graph Attention Networks (GAT) kết hợp cơ chế chú ý (Attention Mechanism) để tự động hóa quá trình trích xuất đặc trưng nút và cạnh trên đồ thị động.
  • Ứng dụng các mô hình ngôn ngữ lớn (LLMs) để phân tích sự tương đồng về mặt ngữ nghĩa học thuật từ tiêu đề, tóm tắt và nội dung toàn văn của công trình nghiên cứu.
  • Nghiên cứu cơ chế học tăng cường (Reinforcement Learning) để tối ưu hóa việc tự động điều chỉnh siêu tham số $\theta, C, \beta$ theo thời gian thực khi cấu trúc mạng mở rộng.

Tác động và ảnh hưởng

  • Tác động học thuật (Academic Impact): Các kết quả nghiên cứu cốt lõi của luận án đã được công bố trên các tạp chí khoa học chuyên ngành và kỷ yếu hội thảo uy tín. Phương pháp tiếp cận của luận án mở ra một nhánh nghiên cứu mới trong việc dung hòa giữa lý thuyết mờ và học kết hợp cho các bài toán phân lớp nhị phân mất cân bằng cực đoan.
  • Chuyển đổi công nghệ và ứng dụng thực tiễn: Đóng vai trò là module tính toán trung tâm cho các hệ thống phần mềm quản lý thông tin khoa học (CRIS) tại các viện, trường đại học; hỗ trợ đắc lực cho các nhà khoa học trẻ, nghiên cứu sinh tìm kiếm mạng lưới chuyên gia cố vấn và đồng tác giả phù hợp.
  • Lợi ích xã hội và hội nhập quốc tế: Nâng cao năng suất nghiên cứu khoa học thông qua tối ưu hóa mạng lưới cộng tác tri thức; thúc đẩy các mối liên kết nghiên cứu đa quốc gia dựa trên bằng chứng dữ liệu định lượng chính xác.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên đại học: Tiếp cận các phương pháp cải tiến thuật toán học máy có độ chính xác cao; sử dụng công cụ dự báo để mở rộng quan hệ cộng tác khoa học hiệu quả.
  • Các nhà nghiên cứu khoa học dữ liệu (Data Scientists): Kế thừa khung thuật toán Im.AdaBoost và AFW-CIL để áp dụng trực tiếp vào các bài toán phân lớp mất cân bằng trong doanh nghiệp (chẩn đoán lỗi công nghiệp, phát hiện gian lận tài chính).
  • Các nhà phát triển hệ thống (System Engineers): Sử dụng mã nguồn, kiến trúc mô hình hóa và quy trình trích xuất API để phát triển các nền tảng mạng xã hội học thuật thế hệ mới.
  • Nhà quản lý chính sách KH&CN: Sở hữu công cụ tin cậy để đo lường, phân tích cấu trúc liên kết và đánh giá hiệu quả đầu tư cho các nhóm nghiên cứu trọng điểm.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết nào của luận án mang tính độc đáo và đột phá nhất? Đóng góp đột phá nhất là thuật toán AFW-CIL với cơ chế điều chỉnh trọng số mờ thích nghi F-AWA. Luận án đã giải quyết hạn chế cố hữu của FSVM-CIL (Batuwita & Pal, 2010) bằng cách xây dựng hàm thuộc mờ 2 tâm giàu ngữ nghĩa và cơ chế phân loại 4 trạng thái mẫu nhạy cảm bằng Tomek Links kết hợp KNN, giúp bảo toàn toàn vẹn các mẫu nhãn dương hiếm mà vẫn kiểm soát tối ưu siêu phẳng biên lề.

2. Điểm cải tiến phương pháp luận của Im.AdaBoost so với các nghiên cứu quốc tế tiền nhiệm là gì? So với AdaBoost chuẩn (Freund & Schapire, 1997) và các biến thể AdaC1-AdaC3 (Sun et al., 2007), Im.AdaBoost đưa ra cơ chế kép: (1) Khởi tạo phân bố trọng số lỗi $D_1$ thích ứng phi đối xứng dựa trên hệ số mất cân bằng $\theta$; (2) Cải tiến công thức tính độ tin cậy $\alpha_t$ thành hàm phạt nhạy cảm trực tiếp với tổng lỗi phân loại trên tập mẫu dương $\varepsilon_t^+$, giải quyết triệt để sự thiên vị lớp đa số.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất trong quá trình thử nghiệm trên dữ liệu mạng đồng tác giả ScienceDirect? Phát hiện bất ngờ nhất là việc các thuật toán phân lớp truyền thống (SVM, Decision Tree) dù đạt Accuracy lên tới $98.8% - 99.1%$ nhưng chỉ số G-mean thực tế lại tiệm cận $0$ do Sensitivity rơi vào khoảng $0% - 4%$. Ngược lại, khi áp dụng Im.AdaBoost kết hợp Weighted-SVM, chỉ số Sensitivity tăng vọt lên trên $75%$ mà không làm suy giảm nghiêm trọng Specificity ($> 88%$), đưa G-mean đạt đỉnh tối ưu.

4. Quy trình thực nghiệm của luận án có khả năng tái lập (Replication Protocol) như thế nào? Quy trình thực nghiệm được mô tả chi tiết với tính minh bạch cao: Định danh câu truy vấn API chuẩn trên ScienceDirect (ISSN 0006291X, giai đoạn 2000–2017), công thức toán học tường minh cho 8 độ đo liên kết topo, 4 bộ dữ liệu chuẩn UCI công khai, các thông số môi trường phần cứng và phiên bản thư viện Python 3.11 / Scikit-learn đều được quy chuẩn hóa.

5. Định hướng nghiên cứu 10 năm tới xuất phát từ nền tảng luận án được vạch ra ra sao? Chiến lược 10 năm tập trung vào 3 trục chính: (1) Tích hợp Graph Neural Networks (GCN/GAT) xử lý cấu trúc đồ thị động quy mô hàng tỷ nút; (2) Kết hợp Large Language Models (LLMs) phân tích ngữ nghĩa sâu nội dung toàn văn công trình khoa học; (3) Triển khai hệ thống khuyến nghị đồng tác giả thông minh thời gian thực (Real-time Adaptive Academic Recommender Platform).

Kết luận

  1. Luận án đã giải quyết thành công bài toán phân lớp nhị phân trên dữ liệu mất cân bằng cực đoan (Class Imbalance Learning) ứng dụng trong dự đoán liên kết mạng đồng tác giả.
  2. Đề xuất thành công thuật toán Im.AdaBoost với cơ chế khởi tạo trọng số thích nghi $\theta$ và hàm tính độ tin cậy $\alpha_t$ nhạy cảm lỗi nhãn dương.
  3. Phát triển thành công thuật toán AFW-CIL tích hợp hàm thuộc mờ 2 tâm ngữ nghĩa và cơ chế điều chỉnh trọng số động F-AWA dựa trên cặp Tomek Links và KNN.
  4. Xây dựng và xử lý thành công tập dữ liệu thực tế lớn từ ScienceDirect (hơn 64.000 bài báo, 211.000 tác giả) và kiểm chứng toàn diện trên 4 bộ dữ liệu chuẩn UCI.
  5. Chứng minh thực nghiệm sự vượt trội của các thuật toán đề xuất trên các chỉ số cốt lõi: G-mean, Sensitivity, Specificity và AUC-ROC.
  6. Mở ra các hướng nghiên cứu liên ngành giá trị cao, kết nối giữa Khoa học dữ liệu, Trí tuệ nhân tạo, Khoa học mạng phức hợp và Quản lý giáo dục đại học.