Tổng quan về luận án

Trong kỷ nguyên bùng nổ thông tin và khoa học dữ liệu, các hệ thống cơ sở dữ liệu lớn không ngừng mở rộng về cả quy mô mẫu dữ liệu ($|U|$) lẫn số chiều không gian thuộc tính ($|C|$). Hiện tượng "lời nguyền số chiều" (Curse of Dimensionality) dẫn tới sự xuất hiện của hàng loạt thuộc tính dư thừa, nhiễu và không liên quan, làm suy giảm nghiêm trọng hiệu năng tính toán cũng như chất lượng của các mô hình học máy. Luận án tiến sĩ chuyên ngành Hệ thống thông tin (Mã số: 9 48 01 04) của nghiên cứu sinh Nguyễn Văn Thiện với tiêu đề "Một số phương pháp lai ghép trong rút gọn thuộc tính theo tiếp cận tập thô mờ", dưới sự hướng dẫn khoa học của PGS.TS. Nguyễn Long Giang và TS. Nguyễn Như Sơn tại Học viện Khoa học và Công nghệ – Viện Hàn lâm Khoa học và Công nghệ Việt Nam (2018), đã định hình một bước đột phá trong kỹ thuật tiền xử lý dữ liệu và rút gọn không gian đặc trưng.

Bối cảnh khoa học và tính tiên phong

Lý thuyết tập thô truyền thống (Rough Set Theory - RST) do Z. Pawlak (1982, 1991) khởi xướng dựa trên quan hệ tương đương rõ (crisp equivalence relation) để xấp xỉ tri thức. Tuy nhiên, RST truyền thống bắt buộc phải trải qua công đoạn rời rạc hóa dữ liệu (discretization) đối với các thuộc tính liên tục. Như luận án đã chỉ ra một hạn chế cốt tử: "Các phương pháp rời rạc hóa dữ liệu không bảo toàn sự khác nhau ban đầu giữa các đối tượng trong dữ liệu gốc. Do đó, các phương pháp rút gọn thuộc tính theo tiếp cận tập thô, tập thô dung sai được trình bày ở trên giảm thiểu độ chính xác của mô hình phân lớp trên dữ liệu gốc".

Để khắc phục rào cản này, lý thuyết tập thô mờ (Fuzzy Rough Set Theory - FRST) do D. Dubois và H. Prade (1990, 1992) đề xuất đã tích hợp logic mờ của L. Zadeh (1965) với tập thô, cho phép xử lý trực tiếp các bảng quyết định số thực liên tục thông qua quan hệ tương đương mờ (Fuzzy Equivalence Relation). Mặc dù vậy, đa số các công trình tiền nhiệm chỉ thuần túy phát triển theo tiếp cận lọc (Filter) tĩnh, dẫn tới sự mất cân bằng giữa kích thước tập rút gọn và độ chính xác phân loại, đồng thời không thích ứng được với sự biến động liên tục của các bảng dữ liệu động.

Khoảng trống nghiên cứu (Research Gaps)

  1. Khoảng trống tối ưu hóa Filter-Wrapper: Các thuật toán rút gọn thuộc tính mờ truyền thống như Fuzzy-Rough QUICKREDUCT (Shen & Chouchoulas, 2000, 2002; Jensen & Shen, 2004) hay GAIN_RATIO_AS_FRS (Dai et al., 2013) thuần túy dựa trên bộ lọc heuristic. "Tập rút gọn của các phương pháp theo hướng tiếp cận filter nêu trên chưa tối ưu về số lượng thuộc tính và độ chính xác phân lớp... tập rút gọn thu được chỉ thỏa mãn điều kiện bảo toàn độ đo mà không bảo đảm có độ chính xác phân lớp cao nhất".
  2. Khoảng trống về chi phí tính toán của độ đo: Các độ đo mờ dựa trên entropy mờ ($\lambda$-fuzzy entropy của Zhang et al., 2012) hoặc ma trận phân biệt mờ (Tsang et al., 2008) có chi phí tính toán rất cao. Cần thiết phải xây dựng một độ đo khoảng cách mờ có công thức toán học đơn giản, bảo toàn tính chất đại số và giảm thiểu thời gian thực thi.
  3. Khoảng trống cập nhật gia tăng động (Dynamic Incremental Updating): "Trường hợp các bảng quyết định bị thay đổi, các thuật toán này tính lại tập rút gọn trên toàn bộ bảng quyết định sau khi thay đổi nên chi phí về thời gian tính toán tăng lên đáng kể". Các nghiên cứu trước đây (như Zeng et al., 2014; Liu et al., 2015; Yang et al., 2014) chủ yếu tập trung vào việc bổ sung thuộc tính hoặc chỉ tiếp cận theo cơ chế filter tĩnh, thiếu vắng giải pháp gia tăng lai ghép (Incremental Filter-Wrapper) cho cả hai chiều biến động dữ liệu: bổ sung đối tượng ($\Delta U^+$) và loại bỏ đối tượng ($\Delta U^-$).

Câu hỏi nghiên cứu và Giả thuyết khoa học

  • RQ1: Làm thế nào để thiết lập một cơ chế lai ghép Filter-Wrapper tối ưu hóa đồng thời hai mục tiêu: tối thiểu hóa số lượng thuộc tính trong tập rút gọn ($|R| \to \min$) và tối đa hóa độ chính xác phân lớp ($Acc(R) \to \max$)?
    • H1: Sự kết hợp giữa việc sinh tập ứng viên xấp xỉ bằng độ đo mờ (Filter) và thẩm định trực tiếp bởi bộ phân loại (Wrapper) sẽ cho tập rút gọn có kích thước nhỏ hơn và độ chính xác phân lớp vượt trội hơn các thuật toán Filter đơn lẻ.
  • RQ2: Liệu có thể xây dựng một độ đo khoảng cách phân hoạch mờ mới với độ phức tạp tính toán thấp nhưng vẫn phản ánh chính xác cấu trúc tương đương mờ của dữ liệu?
    • H2: Khoảng cách phân hoạch mờ cải tiến $D(R_P, R_Q)$ thỏa mãn đầy đủ các tiên đề metric và có khả năng phân biệt thuộc tính tương đương hoặc vượt trội so với độ đo miền dương mờ và entropy mờ.
  • RQ3: Làm thế nào để cập nhật tập rút gọn mờ một cách gia tăng khi tập đối tượng thay đổi mà không cần tính toán lại từ đầu trên toàn bộ bảng quyết định?
    • H3: Các công thức cập nhật ma trận tương đương mờ và khoảng cách phân hoạch mờ theo cơ chế gia tăng sẽ giảm đáng kể độ phức tạp thời gian từ mức tính toán lại $O(|C|^2 |U_{new}|^2)$ xuống thời gian phụ thuộc tuyến tính vào lượng dữ liệu thay đổi $O(|C|^2 |\Delta U| |U|)$.

Khung lý thuyết và Phạm vi nghiên cứu

Nghiên cứu được xây dựng trên hệ thống lý thuyết chuẩn mực: Lý thuyết tập thô (Pawlak), Lý thuyết tập mờ (Zadeh), Lý thuyết tập thô mờ (Dubois & Prade), và Lý thuyết không gian metric phân hoạch. Phạm vi thực nghiệm bao quát đa dạng tập dữ liệu chuẩn từ UCI Machine Learning Repository với các bảng quyết định có kích thước từ hàng trăm đến hàng nghìn đối tượng, thuộc tính số thực đa chiều, kiểm thử trên các thuật toán phân lớp phổ biến (k-NN, SVM, Naive Bayes, Decision Tree C4.5).

Literature Review và Positioning

Tổng hợp các dòng nghiên cứu chủ đạo

Lịch sử phát triển của các phương pháp rút gọn thuộc tính trong không gian dữ liệu mờ và thô được phân nhánh qua ba giai đoạn chính:

[Lý thuyết Tập thô Crisp (Pawlak, 1982)]
[Lý thuyết Tập thô mờ (Dubois & Prade, 1990; Jensen & Shen, 2004)]
[Đóng góp của Luận án: Hybrid Filter-Wrapper & Dynamic Incremental (2018)]
  1. Dòng nghiên cứu miền dương mờ và độ phụ thuộc mờ: Khởi xướng bởi R. Shen và A. Chouchoulas (2000, 2002), tiếp tục hoàn thiện bởi R. Jensen và Q. Shen (2004, 2007) với thuật toán Fuzzy-Rough QUICKREDUCT. Hu et al. (2006, 2008) phát triển thuật toán FAR-VPFRS dựa trên miền dương mờ tham số ngưỡng $k$. Tuy nhiên, Bhatt et al. (2006) đã chứng minh Fuzzy-Rough QUICKREDUCT gặp bế tắc về điều kiện hội tụ và dễ rơi vào cực tiểu địa phương.
  2. Dòng nghiên cứu ma trận phân biệt mờ: Tsang et al. (2008), Chen et al. (2011) và He et al. (2012) mở rộng ma trận phân biệt của Skowron sang không gian mờ. Nhược điểm chí tử của hướng tiếp cận này là chi phí không gian bộ nhớ lưu trữ ma trận bậc $O(|U|^2)$ và thời gian giải hàm Boolean rút gọn rất lớn.
  3. Dòng nghiên cứu Entropy và Metric khoảng cách: Dai et al. (2013) đề xuất GAIN_RATIO_AS_FRS, Zhang et al. (2012) đề xuất $\lambda$-entropy mờ nhằm đảm bảo tính phản đơn điệu. Về tiếp cận metric, nhóm nghiên cứu của Nguyễn Long Giang và cộng sự (2014, 2016) đã tiên phong sử dụng khoảng cách Jaccard và khoảng cách phân hoạch cho dữ liệu thô và dung sai.

Tranh luận học thuật và So sánh quốc tế

  • Tranh luận 1: Filter đơn thuần vs. Filter-Wrapper lai ghép: Phái tiếp cận Filter (đại diện bởi Jensen & Shen, Hu, Qian) lập luận rằng Filter tối ưu về tốc độ tính toán $O(|C|^2 |U|^2)$ và độc lập với thuật toán học máy. Ngược lại, phái ủng hộ Wrapper chỉ ra rằng tập thuộc tính thu được từ Filter thường chứa "dư thừa ẩn" (hidden redundancy) khiến độ chính xác của bộ phân loại không đạt đỉnh. Luận án giải quyết triệt để tranh luận này bằng mô hình lai hai pha: Pha Filter sinh không gian các tập rút gọn xấp xỉ ngưỡng, Pha Wrapper định hướng đánh giá để chọn nghiệm có $Acc$ cao nhất với số chiều nhỏ nhất.
  • Tranh luận 2: Tính toán lại toàn phần (Static Re-computation) vs. Cập nhật gia tăng (Incremental Learning): Trong các bảng dữ liệu thay đổi, việc tính toán lại từ đầu gây lãng phí tài nguyên máy tính nghiêm trọng. Luận án định vị vượt trội khi so sánh trực tiếp với các công trình quốc tế tiêu biểu:
    • So với thuật toán gia tăng IARM và IV-FS-FRS-2 của Yang et al. (2014, 2017) vốn dựa trên quan hệ phân biệt mờ phức tạp, thuật toán IFW_FDAR_AdObj của luận án sử dụng công thức truy hồi khoảng cách mờ giúp giảm thiểu thời gian thực thi rõ rệt.
    • So với thuật toán GAIN_RATIO_AS_FRS của Dai et al. (2013), thuật toán FW_FRSAR của luận án đạt độ chính xác phân lớp cao hơn trên hầu hết các tập dữ liệu thực nghiệm chuẩn UCI.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết nền tảng

Luận án đã mở rộng khung lý thuyết tập thô mờ thông qua việc hình thức hóa các khái niệm đại số và không gian metric mờ:

  1. Chuẩn hóa không gian phân hoạch mờ và ma trận tương đương mờ: Cho bảng quyết định $DS = \langle U, C \cup D \rangle$ với $U = {x_1, x_2, \dots, x_n}$. Quan hệ tương đương mờ $R_P$ trên tập thuộc tính $P \subseteq C$ được biểu diễn qua ma trận tương đương mờ $M(R_P) = (p_{ij}){n \times n}$, trong đó $p{ij} = R_P(x_i, x_j) \in [0, 1]$. Quan hệ tương đương mờ giữa hai đối tượng trên một thuộc tính số thực $a \in C$ được chuẩn hóa theo hàm khoảng cách: $$R_a(x_i, x_j) = \max\left(0, 1 - 4 \times \frac{|a(x_i) - a(x_j)|}{a_{\max} - a_{\min}}\right) \quad \text{nếu } \frac{|a(x_i) - a(x_j)|}{a_{\max} - a_{\min}} \le 0.25$$ Phân hoạch mờ sinh bởi $R_P$ trên vũ trụ $U$ được định nghĩa là $\mathcal{U}/R_P = {[x_1]{R_P}, [x_2]{R_P}, \dots, [x_n]{R_P}}$, với mỗi lớp tương đương mờ $[x_i]{R_P}$ là một tập mờ có hàm thuộc $\mu_{[x_i]{R_P}}(x_j) = R_P(x_i, x_j) = p{ij}$. Lực lượng của lớp tương đương mờ được xác định bởi $|[x_i]{R_P}| = \sum{j=1}^n p_{ij}$.

  2. Xây dựng độ đo khoảng cách phân hoạch mờ cải tiến: Mở rộng độ đo khoảng cách phân hoạch của López de Mántaras (1991) và Mackay (2003), luận án đề xuất khoảng cách mờ giữa hai phân hoạch mờ $\mathcal{U}/R_P$ và $\mathcal{U}/R_Q$ trên cùng tập đối tượng $U$: $$D(R_P, R_Q) = \frac{1}{n^2} \sum_{i=1}^n \sum_{j=1}^n |p_{ij} - q_{ij}|$$ Khoảng cách này thỏa mãn đầy đủ các tiên đề của một không gian metric: Tính không âm ($D \ge 0$), Tính đồng nhất ($D(R_P, R_Q) = 0 \Leftrightarrow R_P = R_Q$), Tính đối xứng ($D(R_P, R_Q) = D(R_Q, R_P)$), và Bất đẳng thức tam giác ($D(R_P, R_T) \le D(R_P, R_Q) + D(R_Q, R_T)$).

  3. Mô hình toán học về Độ quan trọng thuộc tính và Tập rút gọn xấp xỉ:

    • Độ phụ thuộc mờ của tập thuộc tính $P$ đối với tập quyết định $D$: $$\gamma_{R_P}(D) = \frac{|POS_{R_P}(D)|}{|U|} = \frac{1}{n} \sum_{i=1}^n \mu_{POS_{R_P}(D)}(x_i)$$
    • Độ quan trọng mờ dựa trên khoảng cách mờ của thuộc tính $a \in C \setminus B$ đối với tập thuộc tính hiện tại $B$: $$SIG_B^{Dis}(a, D) = D(R_B, R_D) - D(R_{B \cup {a}}, R_D)$$

Khung phân tích lai ghép Filter-Wrapper (FW Architecture)

Khung phân tích của luận án kết hợp hài hòa ba chiều không gian: Không gian tập thô mờ (biểu diễn tính bất định), Không gian Metric phân hoạch (tối ưu hóa hàm mục tiêu nhanh), và Không gian Học máy giám sát (kiểm chứng độ chính xác thực tế).

Phương pháp nghiên cứu tiên tiến

Triết lý và Thiết kế nghiên cứu

  • Triết lý khoa học: Nghiên cứu đi theo trường phái Thực chứng quy nạp kết hợp Kiến tạo thuật toán (Positivist & Algorithmic Constructivism). Mọi khẳng định lý thuyết đều được thiết lập bằng chứng minh toán học hình thức (định lý, mệnh đề) và kiểm chứng độc lập trên dữ liệu thực nghiệm chuẩn mực.
  • Thiết kế đa tầng (Multi-level Architecture):
    1. Tầng đại số ma trận: Biểu diễn quan hệ mờ $R_P$ thành ma trận nhị phân mờ kích thước $n \times n$.
    2. Tầng tối ưu hóa Heuristic: Xây dựng các thuật toán tìm kiếm tham lam (greedy forward selection) có điều kiện dừng mềm.
    3. Tầng đóng gói phân loại: Sử dụng phương pháp kiểm định chéo $K$-Fold Cross Validation ($K=10$) kết hợp các thuật toán học máy giám sát để đo lường năng lực phân lớp thực tế.

Bốn thuật toán trụ cột của Luận án

1. Thuật toán F_FRSAR (Filter Fuzzy-Rough Set Attribute Reduction)

Thuật toán tìm tập rút gọn dựa trên độ phụ thuộc mờ theo tiếp cận lọc truyền thống nhưng khắc phục triệt để lỗi phân kỳ của thuật toán Fuzzy-Rough QUICKREDUCT tiền nhiệm:

  • Đầu vào: Bảng quyết định $DS = \langle U, C \cup D \rangle$.
  • Đầu ra: Tập rút gọn $B \subseteq C$.
  • Cơ chế: Khởi tạo $B = \emptyset$; tính $\gamma_{R_C}(D)$. Trong mỗi bước lặp, tính độ quan trọng $SIG_B(a) = \gamma_{R_{B \cup {a}}}(D) - \gamma_{R_B}(D)$ với mọi $a \in C \setminus B$, thêm thuộc tính có $SIG$ lớn nhất vào $B$ cho đến khi $\gamma_{R_B}(D) = \gamma_{R_C}(D)$. Tiến hành bước hậu xử lý loại bỏ các thuộc tính dư thừa trong $B$.

2. Thuật toán FW_FRSAR (Filter-Wrapper Fuzzy-Rough Attribute Reduction)

Thuật toán lai ghép khai thác danh sách các tập rút gọn xấp xỉ ứng viên:

  • Trong giai đoạn Filter, tại mỗi bước thêm thuộc tính $a_m$, lưu lại tập ứng viên $B_k = {a_{i_1}, \dots, a_{i_k}}$.
  • Chuyển toàn bộ danh sách ${B_1, B_2, \dots, B_t}$ sang giai đoạn Wrapper. Sử dụng bộ phân lớp $k$-NN/SVM để tính toán độ chính xác $Acc(B_i)$.
  • Lựa chọn tập $B^$ có độ chính xác phân loại cao nhất. Nếu có nhiều tập cùng đạt độ chính xác cực đại, chọn tập có số lượng thuộc tính ít nhất $|B^| \to \min$.

3. Thuật toán FW_FDAR (Filter-Wrapper Fuzzy Distance Attribute Reduction)

Thay thế hàm độ phụ thuộc mờ bằng độ đo khoảng cách phân hoạch mờ $D(R_P, R_Q)$:

  • Giảm thiểu độ phức tạp tính toán trung gian nhờ việc tính trực tiếp sai phân trên ma trận tương đương mờ.
  • Tiêu chuẩn dừng Filter dựa trên việc bảo toàn khoảng cách metric: $D(R_B, R_D) \le D(R_C, R_D)$.

4. Thuật toán gia tăng IFW_FDAR_AdObj (Incremental Filter-Wrapper for Adding Objects)

Được thiết kế chuyên biệt cho các cơ sở dữ liệu lớn thay đổi động khi có tập đối tượng mới $\Delta U = {x_{n+1}, \dots, x_{n+m}}$ được bổ sung vào hệ thống ($U_{new} = U \cup \Delta U$):

  • Công thức cập nhật ma trận quan hệ mờ gia tăng: $$M(R_P^{new}) = \begin{pmatrix} M(R_P) & M_{U, \Delta U}(R_P) \ M_{\Delta U, U}(R_P) & M(\Delta R_P) \end{pmatrix}$$
  • Công thức tính toán khoảng cách mờ gia tăng: $$D_{new}(R_P, R_D) = \frac{n^2 D(R_P, R_D) + 2 \sum_{i=1}^n \sum_{j=1}^m |p_{i, n+j} - d_{i, n+j}| + \sum_{i=1}^m \sum_{j=1}^m |p_{n+i, n+j} - d_{n+i, n+j}|}{(n+m)^2}$$
  • Hiệu quả: Tránh được hoàn toàn việc tính lại ma trận $n \times n$ của tập dữ liệu cũ $U$, chỉ tính toán tương tác giữa $U$ với $\Delta U$ và nội bộ $\Delta U$.

Phát hiện đột phá và implications

Những phát hiện then chốt

So sánh hiệu năng tổng hợp giữa các phương pháp

  1. Khắc phục triệt để hiện tượng mất mát thông tin do rời rạc hóa: Thực nghiệm đối sánh giữa F_FRSAR và RSAR trên các bộ dữ liệu số thực chuẩn UCI (như Wine, Iris, Glass, Sonar, Ionosphere) chứng minh rằng: Việc xử lý trực tiếp trên giá trị liên tục qua quan hệ tương đương mờ giúp nâng cao độ chính xác phân loại từ 3.5% đến 12.8% so với phương pháp tập thô Pawlak phải rời rạc hóa dữ liệu.

  2. Cơ chế lai Filter-Wrapper loại bỏ tối đa "thuộc tính dư thừa ẩn": Thực nghiệm so sánh FW_FRSAR và FW_FDAR với các thuật toán Filter kinh điển (GAIN_RATIO_AS_FRS, FEBAR, FPDAR) chỉ ra rằng:

    • Các thuật toán Filter truyền thống thường dừng lại ở tập rút gọn có kích thước lớn (chứa từ 6 đến 12 thuộc tính).
    • Tiếp cận Filter-Wrapper của luận án đã tìm ra các tập rút gọn xấp xỉ chỉ cần 3 đến 6 thuộc tính nhưng lại đem lại độ chính xác phân lớp $Acc$ cao hơn từ 1.5% đến 5.2%. Điều này chứng minh rằng việc bảo toàn 100% độ đo của toàn bộ tập thuộc tính điều kiện $C$ trong nhiều trường hợp gây ra hiện tượng quá khớp (overfitting).

  3. Tính ưu việt của độ đo khoảng cách phân hoạch mờ: Thuật toán FW_FDAR cho thời gian thực thi nhanh hơn rõ rệt so với các phương pháp sử dụng entropy mờ hay miền dương mờ, trong khi vẫn duy trì độ chính xác phân lớp tương đương hoặc cao hơn. Công thức tính toán vi phân trực tiếp ma trận giúp giảm thiểu các phép toán phi tuyến phức tạp.

  4. Đột phá về tốc độ xử lý gia tăng trong môi trường dữ liệu biến động: Khi bổ sung tập đối tượng $\Delta U$ từ 10% đến 50% kích thước dữ liệu ban đầu:

    • Thuật toán gia tăng IFW_FDAR_AdObj có thời gian thực hiện giảm từ 3.5 đến 8.2 lần so với việc chạy lại thuật toán không gia tăng FW_FDAR trên toàn bộ bảng quyết định mới.
    • So với các thuật toán gia tăng quốc tế hàng đầu như IV-FS-FRS-2 và IARM (Yang et al.), IFW_FDAR_AdObj đạt hiệu năng thời gian vượt trội hơn 25% - 40% nhờ cấu trúc cập nhật khoảng cách mờ dạng tuyến tính từng phần.

Ý nghĩa khoa học và thực tiễn

  • Về mặt lý thuyết: Đặt nền móng vững chắc cho mô hình rút gọn đặc trưng đa mục tiêu trong không gian mờ; mở ra cách tiếp cận mới trong việc liên kết cấu trúc tô-pô metric phân hoạch với lý thuyết tập thô mờ.
  • Về mặt phương pháp luận: Cung cấp một khung thuật toán hoàn chỉnh, có tính mở cao, cho phép dễ dàng tích hợp các hàm quan hệ mờ chuyên biệt hóa hoặc các bộ phân lớp hiện đại (Deep Learning, Random Forest, XGBoost).
  • Về mặt ứng dụng thực tiễn:
    • Y tế và Chẩn đoán sinh học: Rút gọn hàng nghìn chỉ số gen/microarray trong chẩn đoán ung thư phổi, ung thư vú về vài chục gen đặc trưng cốt lõi mà không làm suy giảm độ chính xác chẩn đoán.
    • Tài chính và Ngân hàng: Phát hiện gian lận thẻ tín dụng và đánh giá điểm tín dụng theo thời gian thực (real-time stream data) bằng các thuật toán gia tăng khi liên tục có giao dịch mới phát sinh.
    • Hệ thống IoT và Thị giác máy tính: Giảm chiều dữ liệu cảm biến và đặc trưng hình ảnh ngay tại biên (Edge Computing) với tài nguyên phần cứng hạn chế.

Limitations và Future Research

Hạn chế học thuật thừa nhận khách quan

  1. Rào cản bộ nhớ ma trận bậc hai: Việc lưu trữ ma trận tương đương mờ kích thước $n \times n$ khiến các thuật toán đề xuất đòi hỏi dung lượng RAM lớn khi số lượng đối tượng $|U|$ vượt quá hàng trăm nghìn mẫu trên một máy đơn lẻ ($O(|U|^2)$).
  2. Độ nhạy cảm của hàm quan hệ mờ: Hiệu năng phân lớp vẫn chịu ảnh hưởng nhất định từ việc lựa chọn siêu tham số trong hàm quan hệ tương đương mờ (ví dụ: ngưỡng khoảng cách 0.25 trong công thức chuẩn hóa).
  3. Phạm vi biến động dữ liệu: Mặc dù luận án đã giải quyết bài toán bổ sung và loại bỏ tập đối tượng, bài toán đồng thời biến động cả hai chiều (vừa thêm/bớt đối tượng, vừa thêm/bớt thuộc tính trong cùng một chu kỳ thời gian) vẫn chưa được tích hợp trong một thuật toán đơn nhất.

Chương trình nghiên cứu tương lai (5-10 năm)

  • Hướng 1: Song song hóa trên nền tảng tính toán phân tán: Triển khai các thuật toán FW_FDAR và IFW_FDAR_AdObj trên nền tảng Apache Spark / MapReduce để xử lý các bảng quyết định quy mô Big Data (hàng triệu đối tượng).
  • Hướng 2: Xử lý dữ liệu dòng liên tục (Data Stream Mining): Phát triển các thuật toán rút gọn mờ trực tuyến thích ứng với hiện tượng trôi dạt khái niệm (Concept Drift).
  • Hướng 3: Mở rộng sang Tập thô mờ trực giác và Tập thô mờ bức tranh (Intuitionistic & Picture Fuzzy Rough Sets): Tích hợp độ đo khoảng cách trên các cấu trúc mờ bậc cao để biểu diễn đồng thời mức độ thuộc, không thuộc và mức độ do dự của dữ liệu.

Tác động và ảnh hưởng

Tác động học thuật và Chỉ số trích dẫn

Các kết quả cốt lõi của luận án đã được công bố trên 07 công trình khoa học uy tín, bao gồm các bài báo trên tạp chí chuyên ngành quốc tế và quốc gia (như Journal of Computer Science and Cybernetics, các hội nghị quốc tế chuyên ngành IEEE/KSE). Hướng tiếp cận metric phân hoạch mờ và cơ chế gia tăng Filter-Wrapper đã trở thành tài liệu tham khảo nền tảng cho nhiều nghiên cứu sinh và học viên cao học trong lĩnh vực Khai phá dữ liệu và Trí tuệ nhân tạo tại Việt Nam và khu vực.

Chuyển đổi công nghiệp và Quản trị dữ liệu

  • Công nghiệp 4.0: Cung cấp công cụ tiền xử lý dữ liệu tự động, giúp giảm từ 40% đến 70% dung lượng lưu trữ trong các kho dữ liệu doanh nghiệp (Data Warehouse), đồng thời tăng tốc độ huấn luyện mô hình phân tích dự báo lên gấp 3-5 lần.
  • Chính sách và Dữ liệu mở: Đóng góp giải pháp khoa học cho các cơ quan quản lý nhà nước trong việc xử lý, làm sạch và khai thác các cơ sở dữ liệu quốc gia về dân cư, đất đai và y tế trong đề án chuyển đổi số.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung lý thuyết chặt chẽ về metric phân hoạch mờ và phương pháp luận thiết kế thuật toán lai ghép Filter-Wrapper; mở ra các khoảng trống nghiên cứu mới về tập thô mở rộng.
  • Kỹ sư Trí tuệ Nhân tạo & Khoa học Dữ liệu (AI/Data Engineers): Sở hữu các thuật toán tiền xử lý dữ liệu mạnh mẽ để nhúng trực tiếp vào các Pipeline học máy, đặc biệt hữu ích khi xử lý dữ liệu bảng (tabular data) có nhiều thuộc tính liên tục.
  • Doanh nghiệp phần mềm và Fintech: Tận dụng giải pháp cập nhật gia tăng để xây dựng các hệ thống khuyến nghị (Recommendation Systems) và hệ thống phát hiện bất thường vận hành 24/7 với chi phí máy chủ tối ưu.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Trả lời: Đóng góp lý thuyết độc đáo nhất là việc thiết lập Độ đo khoảng cách phân hoạch mờ $D(R_P, R_Q)$ trên không gian ma trận tương đương mờ và chứng minh tính chất metric hoàn bị của độ đo này. Công trình đã mở rộng trực tiếp Lý thuyết tập thô mờ của Dubois & Prade (1990) và Lý thuyết metric phân hoạch của López de Mántaras (1991), chuyển hóa bài toán tìm tập rút gọn từ việc đánh giá các bao hàm tập hợp mờ phức tạp sang bài toán tối ưu hóa khoảng cách metric tường minh.

2. Điểm cách tân về phương pháp luận so với các nghiên cứu tiền nhiệm quốc tế?

Trả lời: Cách tân đột phá nằm ở Cơ chế lai hai pha Filter-Wrapper có định hướng ứng viên xấp xỉ:

  • Khác với các nghiên cứu Filter thuần túy của Jensen & Shen (2004) hay Hu et al. (2008) vốn chọn cứng nhắc tập rút gọn bảo toàn 100% độ đo dẫn đến dư thừa thuộc tính.
  • Khác với phương pháp Wrapper thuần túy có chi phí tính toán hàm mũ $O(2^{|C|})$.
  • Luận án sử dụng giai đoạn Filter để sinh chuỗi ứng viên xấp xỉ theo độ quan trọng mờ cực đại với độ phức tạp đa thức $O(|C|^2 |U|^2)$, sau đó dùng Wrapper như một bộ lọc tinh xảo để chọn ra cấu hình đặc trưng tối ưu tuyệt đối về độ chính xác phân loại.

3. Phát hiện bất ngờ nhất (counter-intuitive) có dữ liệu minh chứng là gì?

Trả lời: Phát hiện bất ngờ nhất là: Tập thuộc tính thỏa mãn bảo toàn 100% độ phụ thuộc mờ hoặc độ đo thông tin không phải là tập thuộc tính đem lại độ chính xác phân loại cao nhất. Minh chứng thực nghiệm: Trên tập dữ liệu Ionosphere và Sonar, thuật toán F_FRSAR (Filter) chọn ra tập rút gọn gồm 12 thuộc tính để đạt $\gamma = 1.0$, cho độ chính xác $Acc = 84.6%$. Trong khi đó, thuật toán FW_FRSAR (Lai ghép) dừng lại ở tập rút gọn xấp xỉ chỉ gồm 5 thuộc tính, nhưng độ chính xác phân lớp lại đạt tới 88.9% (tăng 4.3% trong khi số chiều giảm hơn một nửa). Điều này chứng minh rằng các thuộc tính thêm vào cuối cùng trong pha Filter thực chất là các chiều dữ liệu gây nhiễu cục bộ.

4. Luận án có cung cấp đầy đủ giao thức tái lập thực nghiệm (Replication Protocol) không?

Trả lời: Có. Luận án cung cấp mã giả chi tiết từng bước (step-by-step pseudo-code) cho cả 4 thuật toán (F_FRSAR, FW_FRSAR, FW_FDAR, IFW_FDAR_AdObj), mô tả toán học chính xác các công thức khởi tạo ma trận, điều kiện lặp, ngưỡng dừng, cũng như nguồn gốc các tập dữ liệu thực nghiệm chuẩn từ UCI Repository kèm tham số phân lớp kiểm định chéo 10-Fold Cross Validation.

5. Lộ trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?

Trả lời: Lộ trình 10 năm tập trung vào 3 trụ cột:

  1. Kiến trúc phân tán: Tái cấu trúc ma trận tương đương mờ theo dạng ma trận thưa phân tán (Sparse Distributed Matrix) trên Spark/Flink.
  2. Học sâu mờ (Fuzzy Deep Feature Selection): Kết hợp biểu diễn mờ với các tầng ẩn của mạng nơ-ron tích chập và Transformer.
  3. Hệ tri thức tự thích ứng (Self-adaptive Dynamic Systems): Xây dựng các tác tử trích xuất tri thức gia tăng tự động cập nhật luật suy diễn trong các luồng dữ liệu IoT tốc độ cao.

Kết luận

Luận án tiến sĩ của NCS. Nguyễn Văn Thiện đã giải quyết trọn vẹn và xuất sắc bài toán rút gọn thuộc tính số thực và bảng dữ liệu biến động trong lĩnh vực khai phá dữ liệu, với 06 đóng góp cụ thể:

  1. Khẳng định tính ưu việt của tiếp cận mờ hóa trực tiếp: Loại bỏ hoàn toàn sự phụ thuộc vào khâu rời rạc hóa dữ liệu thô, bảo toàn nguyên vẹn cấu trúc thông tin số thực ban đầu.
  2. Đề xuất thành công thuật toán F_FRSAR: Hoàn thiện tiếp cận Filter trên nền tảng độ phụ thuộc mờ, giải quyết triệt để lỗi hội tụ của các thuật toán tiền bối quốc tế.
  3. Xây dựng độ đo Khoảng cách phân hoạch mờ $D(R_P, R_Q)$: Bổ sung một công cụ metric toán học mạnh mẽ, chính xác và có chi phí tính toán thấp vào kho tàng lý thuyết tập thô mờ.
  4. Tiên phong mô hình lai ghép Filter-Wrapper (FW_FRSAR, FW_FDAR): Đạt được sự tối ưu đồng thời về việc giảm số chiều thuộc tính và nâng cao trần độ chính xác phân lớp học máy.
  5. Đột phá với thuật toán gia tăng IFW_FDAR_AdObj: Thiết lập công thức cập nhật truy hồi ma trận khoảng cách mờ khi thêm/bớt đối tượng, cắt giảm đột biến thời gian tính toán so với các phương pháp tĩnh.
  6. Kiểm chứng thực nghiệm toàn diện: Khẳng định tính khả thi, độ tin cậy và sự vượt trội của hệ thống thuật toán đề xuất trên nhiều tập dữ liệu chuẩn mực quốc tế.

Công trình không chỉ đánh dấu bước tiến quan trọng về mặt học thuật trong ngành Hệ thống thông tin mà còn mở ra tiềm năng ứng dụng sâu rộng trong các hệ thống phân tích dữ liệu lớn và trí tuệ nhân tạo thời gian thực.