Tổng quan nghiên cứu

Sự bùng nổ mạnh mẽ của các nền tảng mạng xã hội và dịch vụ chia sẻ trực tuyến như Instagram, Flickr hay Facebook đã tạo ra một khối lượng dữ liệu hình ảnh khổng lồ. Theo thống kê thực tế từ các báo cáo công nghệ số, trung bình mỗi ngày có hơn 80 triệu bức ảnh mới được tải lên và chia sẻ trên toàn cầu. Đi kèm với dòng chảy dữ liệu khổng lồ này là nhu cầu cấp thiết về việc tổ chức, tìm kiếm, nhận dạng và trích xuất thông tin thị giác một cách tự động và chính xác. Mỗi bức ảnh trong thực tế thường chứa đựng nhiều vùng không gian mang ngữ nghĩa khác nhau, tương ứng với nhiều đối tượng riêng biệt. Do đó, bài toán gán nhãn vùng ảnh đóng vai trò nền tảng trong việc hỗ trợ phân loại nội dung số và nâng cao độ chính xác của các công cụ truy vấn thông tin theo từ khóa.

Tuy nhiên, việc áp dụng các phương pháp học máy có giám sát truyền thống đang đối mặt với rào cản lớn về chi phí và thời gian. Để xây dựng một tập dữ liệu huấn luyện chuẩn hóa cho cấp độ vùng ảnh, các nhà phát triển phải chi trả ngân sách cao gấp khoảng 10 đến 15 lần nhằm thuê đội ngũ chuyên gia phân đoạn và gắn nhãn thủ công cho từng đối tượng trong hàng trăm nghìn mẫu dữ liệu. Nhằm giải quyết điểm nghẽn này, luận văn thạc sĩ chuyên ngành Hệ thống thông tin tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội đã tập trung nghiên cứu khung học máy đa nhãn – đa thể hiện (Multi-Instance Multi-Label Learning - MIML) và ứng dụng trong tự động hóa gán nhãn vùng ảnh dựa trên nguồn dữ liệu gán nhãn yếu (weakly-labeled images).

Mục tiêu cốt lõi của nghiên cứu là xây dựng các thuật toán phân loại hiệu năng cao bằng cách tích hợp các giải thuật học đa thể hiện tiên tiến gồm Mật độ đa dạng (Diverse Density - DD), Cực đại hóa kỳ vọng trên mật độ đa dạng (EM-DD) và Máy véc-tơ hỗ trợ đa thể hiện (MISVM) vào mô hình MIML. Nghiên cứu thực nghiệm được thực hiện trên tập dữ liệu chuẩn MSRCv2 với các kịch bản tỷ lệ nhiễu nhãn từ 0% đến 60%. Kết quả cho thấy phương pháp đề xuất giúp nâng cao chỉ số Average Precision lên khoảng 12% đến 18% và giảm chỉ số tổn thất phân loại Hamming Loss xuống dưới 8%, mang lại giải pháp công nghệ có khả năng ứng dụng thực tiễn cao cho các hệ thống quản trị dữ liệu đa phương tiện hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của luận văn được xây dựng trên sự phát triển tuần tự của bốn mô hình học máy phân lớp phổ biến trong trí tuệ nhân tạo:

  1. Học máy đơn nhãn – đơn thể hiện (Single-Instance Single-Label - SISL), còn gọi là học có giám sát truyền thống, nơi mỗi đối tượng chỉ được biểu diễn bằng một véc-tơ đặc trưng duy nhất và gắn với một nhãn lớp độc lập.
  2. Học máy đơn nhãn – đa thể hiện (Multi-Instance Single-Label - MISL), nơi mỗi đối tượng được biểu diễn dưới dạng một túi chứa nhiều thể hiện nhưng chỉ thuộc về một nhãn duy nhất.
  3. Học máy đa nhãn – đơn thể hiện (Single-Instance Multi-Label - SIML), nơi mỗi đối tượng có một thể hiện duy nhất nhưng có thể thuộc về nhiều nhãn lớp đồng thời.
  4. Học máy đa nhãn – đa thể hiện (Multi-Instance Multi-Label - MIML), được công bố lần đầu tiên vào năm 2006 bởi nhóm nghiên cứu của Giáo sư Zhi-Hua Zhou và Min-Ling Zhang. Đây là mô hình học máy tiên tiến nhất, cho phép một đối tượng được biểu diễn tự nhiên dưới dạng một túi gồm $n_i$ thể hiện và đồng thời được gán với một tập hợp $l_i$ nhãn lớp khác nhau.

Trong không gian bài toán này, các khái niệm nền tảng bao gồm:

  • Túi thể hiện (Bags of Instances): Tập hợp các véc-tơ đặc trưng biểu diễn các vùng ảnh cục bộ bên trong một bức ảnh tổng thể.
  • Ánh xạ phân loại MIML: Hàm ánh xạ có dạng $f: 2^X \to 2^Y$, chuyển đổi từ không gian các tập con thể hiện sang không gian các tập con nhãn ngữ nghĩa.
  • Khoảng cách Hausdorff: Độ đo khoảng cách cực trị giữa hai tập hợp điểm, được sử dụng để xác định sự tương đồng giữa hai túi thể hiện trong không gian đa chiều.
  • Gán nhãn yếu (Weakly-labeled Data): Cơ chế chỉ gán nhãn ở cấp độ toàn bộ bức ảnh mà không cung cấp vị trí ranh giới hoặc nhãn chi tiết của từng vùng ảnh thành phần.

Luận văn tiếp tục kế thừa và phát triển các lý thuyết phân lớp đa thể hiện kinh điển gồm: Lý thuyết Mật độ đa dạng (Diverse Density - DD) của Maron và Lozano-Pérez (1998) nhằm tối đa hóa xác suất giao điểm giữa các túi dương; Thuật toán EM-DD của Zhang và Goldman (2001) kết hợp thuật toán Cực đại hóa kỳ vọng với ước lượng nguyên nhân có khả năng nhất (most-likely-cause); và Thuật toán Máy véc-tơ hỗ trợ đa thể hiện (MISVM) của Stuart Andrews cùng các cộng sự (2003) dựa trên nguyên lý tối ưu hóa siêu phẳng cách lề cực đại (maximum pattern margin).

Phương pháp nghiên cứu

Về nguồn dữ liệu thực nghiệm, nghiên cứu sử dụng bộ dữ liệu chuẩn học máy thị giác Microsoft Research Cambridge phiên bản 2 (MSRCv2). Bộ dữ liệu bao gồm hàng trăm bức ảnh kỹ thuật số phong phú về chủ đề, được trích xuất thành hàng nghìn vùng ảnh phân đoạn với 21 nhãn ngữ nghĩa đa dạng như bầu trời, cây cối, tòa nhà, động vật và mặt nước.

Phương pháp chọn mẫu thực nghiệm được thiết kế có kiểm soát nhằm kiểm tra tính vững của thuật toán:

  • Mẫu không nhiễu: Tập dữ liệu gốc với tỷ lệ giả túi 0%, đảm bảo các nhãn túi phản ánh chính xác nội dung các thể hiện.
  • Mẫu mô phỏng nhiễu thực tế: Tập dữ liệu được can thiệp với tỷ lệ giả túi lên đến 60%, phản ánh sát thực tế nguồn dữ liệu ảnh lỏng lẻo thu thập từ các nền tảng mạng xã hội trực tuyến.

Lý do lựa chọn phương pháp phân tích: Luận văn lựa chọn tiếp cận bài toán theo hướng phân rã (Decomposition Strategy) lấy học đa thể hiện làm cầu nối trung gian, thay vì tiếp cận giải quyết trực tiếp. Hướng tiếp cận này giúp chuyển đổi một bài toán phân loại phức hợp bậc cao thành các bài toán học đa thể hiện đơn nhãn riêng biệt, từ đó giảm thiểu độ phức tạp tính toán phi tuyến, ngăn ngừa hiện tượng quá khớp (overfitting) và cho phép tận dụng tối đa độ chính xác của các bộ phân lớp cục bộ đã được chứng minh hiệu quả như DD, EM-DD và MISVM.

Quy trình nghiên cứu trải qua 3 giai đoạn chính:

  1. Tiền xử lý và trích xuất đặc trưng vùng ảnh (màu sắc, kết cấu không gian) để hình thành các véc-tơ thể hiện trong từng túi dữ liệu.
  2. Chuyển đổi tập dữ liệu MIML ban đầu thành tập dữ liệu đa thể hiện $D_{MI}$ với kích thước $m \times |Y|$ túi dữ liệu đã được chuẩn hóa nhãn.
  3. Huấn luyện mô hình và đánh giá hiệu năng phân lớp thông qua các độ đo sai số đa nhãn chuyên dụng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và đối sánh kỹ thuật trên tập dữ liệu chuẩn đã chỉ ra bốn phát hiện cốt lõi:

Thứ nhất, tốc độ hội tụ và tối ưu hóa tính toán của mô hình MIML-EMDD vượt trội rõ rệt so với thuật toán MIML-DD. Thuật toán MIML-DD đòi hỏi quá trình tìm kiếm gradient ascent trên toàn bộ các thể hiện trong không gian túi, dẫn đến chi phí tính toán tăng theo cấp số nhân. Trong khi đó, MIML-EMDD giới hạn việc cập nhật trên thể hiện đại diện nhất tại mỗi chu kỳ với số vòng lặp tối ưu dưới 10 chu kỳ, giúp rút ngắn thời gian xử lý huấn luyện từ 3 đến 5 lần.

Thứ hai, ở cấp độ vùng ảnh không có nhiễu (tỷ lệ giả túi 0%), mô hình tích hợp MIML-EMDD và MIML-MISVM đạt hiệu năng phân loại cao nhất. Chỉ số Average Precision của hai mô hình này đạt mức xấp xỉ 78% đến 82%, cao hơn khoảng 12% đến 18% so với thuật toán MIML-DD truyền thống. Đồng thời, chỉ số sai số One-error và Ranking Loss giảm từ 15% đến 20%, chứng minh tính chuẩn xác trong việc xếp hạng nhãn ngữ nghĩa cho các vùng phân đoạn.

Thứ ba, khả năng chống chịu nhiễu nhãn của mô hình được kiểm chứng vững chắc khi thử nghiệm với tỷ lệ giả túi 60%. Dưới điều kiện dữ liệu bị phân mảnh và gán nhãn thiếu chính xác ở cấp độ túi, thuật toán MIML-EMDD vẫn duy trì mức độ suy giảm chỉ số Hamming Loss ở biên độ rất thấp, dưới 8%. Điều này khẳng định thuật toán có khả năng phân tách tín hiệu nhãn đúng khỏi các thể hiện nhiễu một cách ổn định.

Thứ tư, việc bổ sung thông tin đặc trưng không gian và ngữ cảnh hình học của vùng ảnh giúp cải thiện toàn diện các chỉ số phân loại tổng thể. Kết quả thực nghiệm cho thấy sự kết hợp này giúp gia tăng chỉ số Average F1 và Average Recall thêm khoảng 10% đến 14% trên toàn bộ các nhóm danh mục đối tượng phức tạp.

Thảo luận kết quả

Nguyên nhân cốt lõi dẫn đến sự khác biệt về hiệu năng giữa các giải thuật bắt nguồn từ cơ chế tối ưu hóa hàm mục tiêu. Thuật toán MIML-DD sử dụng phép ước lượng xác suất noisy-or, giả định rằng mọi thể hiện đều đóng góp độc lập vào nhãn của túi. Khi số chiều dữ liệu tăng cao, bề mặt tối ưu hóa xuất hiện nhiều điểm cực trị cục bộ, khiến thuật toán dễ rơi vào các nghiệm không tối ưu. Ngược lại, MIML-EMDD áp dụng ước lượng most-likely-cause, biến bài toán tìm kiếm đa biến phức tạp thành một chuỗi các bước ước lượng kỳ vọng (E-step) và cực đại hóa (M-step) cục bộ, giúp xác định chuẩn xác thể hiện cốt lõi mang nhãn tích cực.

Đối với mô hình MIML-MISVM, việc mở rộng hàm phân tách đa thể hiện tuyến tính dựa trên siêu phẳng cách lề cực đại mang lại lợi thế phân lớp rõ rệt. Thuật toán heuristic tối ưu hóa của Stuart Andrews cho phép lặp lại quá trình gán nhãn giả định cho các thể hiện trong túi dương và liên tục cập nhật trọng số véc-tơ hỗ trợ. Điều này giúp không gian phân cách giữa vùng ảnh dương và vùng ảnh âm được nới rộng tối đa.

Trong các báo cáo phân tích học thuật, các tập dữ liệu thực nghiệm thường được trực quan hóa thông qua hai hình thức biểu diễn chính:

  • Biểu đồ cột ghép đôi đa trục: Thể hiện sự biến thiên của Average Precision và Ranking Loss qua hai kịch bản tỷ lệ giả túi 0% và 60%, giúp người đọc dễ dàng quan sát mức độ sụt giảm hiệu năng tương đối của từng thuật toán.
  • Bảng ma trận đối sánh 5 chiều: Trình bày chi tiết các giá trị định lượng của 5 độ đo tiêu chuẩn gồm Hamming Loss, One-error, Coverage, Ranking Loss và Average Precision. Qua đó, người nghiên cứu có thể đánh giá toàn diện hành vi của mô hình trên từng khía cạnh xếp hạng nhãn và định danh vùng ảnh.

So sánh với các nghiên cứu trước đây trong cùng lĩnh vực, phương pháp phân rã tích hợp của luận văn cho kết quả vượt trội hơn so với phương pháp MIMLSVM phân rã qua học đa nhãn của Zhi-Hua Zhou (2006). Đồng thời, phương pháp này duy trì độ chính xác tương đương với các mô hình Bayes phi tham số phức tạp như Gaussian Process MIML của Jianjun He nhưng có độ phức tạp thuật toán thấp hơn khoảng 25%, giúp giảm đáng kể chi phí hạ tầng máy chủ khi triển khai thực tế.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu lý thuyết và thực nghiệm, luận văn đưa ra bốn nhóm khuyến nghị giải pháp cụ thể:

  1. Nâng cấp mô-đun trích xuất đặc trưng vùng ảnh bằng kiến trúc học sâu: Các nhóm nghiên cứu thị giác máy tính cần tiến hành tích hợp các mạng nơ-ron tích chập sâu (CNN) như ResNet hoặc Vision Transformer vào khâu tiền xử lý trích xuất thể hiện trong vòng 6 tháng tới, đặt mục tiêu nâng cao độ phân giải đặc trưng không gian và gia tăng chỉ số Average Precision thêm khoảng 15% đến 20%.
  2. Tối ưu hóa thuật toán phân lớp trên nền tảng tính toán song song GPU: Đội ngũ kỹ sư phần mềm hệ thống cần tái cấu trúc mã nguồn của thuật toán MIML-EMDD và MIML-MISVM sang môi trường lập trình song song CUDA trong vòng 3 đến 6 tháng tới, hướng đến mục tiêu giảm thời gian huấn luyện mô hình xuống dưới 40% trên các tập dữ liệu có quy mô hàng triệu hình ảnh.
  3. Triển khai giải pháp gán nhãn tự động cho các nền tảng thương mại điện tử và mạng xã hội: Các doanh nghiệp vận hành nền tảng nội dung số cần ứng dụng khung phân loại MIML vào quy trình kiểm duyệt nội dung và tìm kiếm sản phẩm qua hình ảnh trong vòng 12 tháng tới, nhằm tự động hóa quy trình gắn thẻ dữ liệu yếu với độ chính xác đạt mục tiêu tối thiểu 85%.
  4. Mở rộng phạm vi nghiên cứu sang dữ liệu video và văn bản đa phương thức: Các viện nghiên cứu và phòng thí nghiệm công nghệ thông tin cần tiếp tục phát triển khung MIML mở rộng cho dữ liệu chuỗi khung hình video trong vòng 12 đến 18 tháng tới, hướng đến việc nhận dạng và gán nhãn hành vi đối tượng theo thời gian thực với tốc độ xử lý đạt 30 khung hình/giây.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng thực tiễn cao, đặc biệt hữu ích đối với các nhóm đối tượng sau:

  • Học viên cao học và nghiên cứu sinh chuyên ngành Công nghệ thông tin và Khoa học dữ liệu: Luận văn cung cấp tài liệu tham khảo chuẩn mực về phương pháp luận phân rã bài toán học máy đa nhãn – đa thể hiện, đi kèm các công thức toán học chi tiết về độ đo Hausdorff và hệ số sai số phân loại đa biến.
  • Kỹ sư Trí tuệ Nhân tạo và Thị giác Máy tính (AI & Computer Vision Engineers): Cung cấp các kiến trúc thuật toán đã được kiểm chứng (MIML-DD, MIML-EMDD, MIML-MISVM) để ứng dụng trực tiếp vào các bài toán phân đoạn ảnh ngữ nghĩa (Semantic Segmentation) và phát hiện vật thể từ tập dữ liệu gán nhãn yếu.
  • Chuyên gia phát triển hệ thống truy xuất thông tin và tìm kiếm đa phương tiện: Nắm bắt giải pháp xây dựng công cụ tìm kiếm hình ảnh thông minh dựa trên nội dung vùng ảnh chi tiết mà không đòi hỏi chi phí gán nhãn thủ công khổng lồ.
  • Đội ngũ quản trị dữ liệu và kiểm duyệt nội dung số tại các doanh nghiệp công nghệ: Vận dụng cơ chế học từ dữ liệu nhãn yếu để xây dựng hệ thống tự động lọc ảnh, phân loại danh mục sản phẩm và gắn thẻ ngữ cảnh cho hàng triệu người dùng trực tuyến.

Câu hỏi thường gặp

Khung học máy đa nhãn – đa thể hiện (MIML) có điểm gì khác biệt cốt lõi so với học có giám sát truyền thống?
Trong học có giám sát truyền thống (SISL), mỗi mẫu dữ liệu chỉ gồm một véc-tơ đặc trưng duy nhất và mang một nhãn lớp độc lập. Ngược lại, khung MIML biểu diễn một đối tượng dưới dạng một tập hợp gồm nhiều thể hiện con (ví dụ: các vùng ảnh khác nhau trong cùng một bức ảnh) và cho phép gán đồng thời nhiều nhãn lớp ngữ nghĩa, giúp mô hình hóa chân thực tính đa nghĩa của các đối tượng trong thế giới thực.

Tại sao dữ liệu gán nhãn yếu lại đóng vai trò quan trọng trong việc huấn luyện mô hình gán nhãn vùng ảnh?
Việc tạo lập dữ liệu gán nhãn chi tiết cho từng vùng ảnh đòi hỏi chi phí nhân công rất lớn và tốn nhiều thời gian. Trong thực tế, các nguồn ảnh từ mạng xã hội đều ở dạng gán nhãn yếu (chỉ có nhãn chung cho toàn bộ bức ảnh). Khung MIML tận dụng hiệu quả nguồn tài nguyên nhãn yếu sẵn có này để tự động suy luận và phân bổ nhãn chính xác cho từng vùng ảnh cụ thể.

Thuật toán MIML-EMDD đã khắc phục nhược điểm của thuật toán MIML-DD như thế nào?
Thuật toán MIML-DD phải thực hiện tối ưu hóa trên toàn bộ không gian thể hiện, dễ dẫn đến hiện tượng hội tụ chậm và bùng nổ tính toán. MIML-EMDD khắc phục điều này bằng cách tích hợp thuật toán Cực đại hóa kỳ vọng (EM), chỉ lựa chọn thể hiện có khả năng cao nhất đại diện cho nhãn túi trong mỗi chu kỳ lặp, giúp tăng tốc độ xử lý lên từ 3 đến 5 lần.

Những chỉ số nào phản ánh trung thực nhất chất lượng của một mô hình học máy MIML?
Do tính chất phức tạp của bài toán đa nhãn, các chỉ số độ chính xác thông thường không còn phản ánh đầy đủ hiệu năng. Luận văn sử dụng tổ hợp 5 độ đo tiêu chuẩn gồm Hamming Loss (đo tỷ lệ phân loại sai nhãn), One-error, Coverage, Ranking Loss và Average Precision, kết hợp cùng Average F1 để đánh giá toàn diện cả khả năng nhận dạng lẫn độ chính xác của thứ hạng nhãn dự đoán.

Mô hình nghiên cứu trong luận văn có thể hoạt động hiệu quả khi dữ liệu bị nhiễu nhãn hay không?
Kết quả thực nghiệm trên tập dữ liệu chuẩn MSRCv2 với tỷ lệ giả túi lên tới 60% chứng minh rằng mô hình MIML-EMDD và MIML-MISVM vẫn duy trì độ sụt giảm chỉ số tổn thất Hamming Loss ở mức dưới 8%, khẳng định khả năng chống chịu nhiễu tốt và thích ứng cao với môi trường dữ liệu thực tế.

Kết luận

  • Luận văn đã hệ thống hóa toàn diện khung lý thuyết 4 mô hình học máy phân loại và khẳng định vị trí ưu việt của mô hình đa nhãn – đa thể hiện (MIML) trong việc biểu diễn các đối tượng thị giác phức tạp.
  • Đề xuất thành công kiến trúc phân rã bài toán MIML thông qua cầu nối học đa thể hiện, tích hợp hiệu quả ba thuật toán nền tảng gồm DD, EM-DD và MISVM.
  • Bổ sung thông tin đặc trưng không gian của vùng ảnh, giúp gia tăng các chỉ số Average Precision và Average F1 thêm khoảng 10% đến 14%.
  • Chứng minh tính vững của thuật toán trên bộ dữ liệu chuẩn MSRCv2 dưới các kịch bản nhiễu nhãn thực nghiệm từ 0% đến 60%.
  • Mở ra hướng tiếp cận tối ưu về mặt chi phí trong việc khai thác kho dữ liệu ảnh khổng lồ từ Internet để phục vụ các bài toán thị giác máy tính.

Về lộ trình phát triển tiếp theo trong giai đoạn 2026–2027, nghiên cứu định hướng tích hợp các kiến trúc học sâu đa tầng (Deep MIML) và tối ưu hóa xử lý song song trên chip xử lý chuyên dụng. Hãy tham khảo toàn văn luận văn thạc sĩ để tiếp cận chi tiết các công thức toán học, thuật toán phân rã và toàn bộ bảng dữ liệu thực nghiệm phục vụ cho các dự án nghiên cứu trí tuệ nhân tạo chuyên sâu.