Luận văn về học nửa giám sát dựa trên đồ thị và ứng dụng

• Tác giả: Pgs. Đoàn Văn Bản
• Trường học: Đại Học Thái Nguyên
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Luận Văn Học Nửa Giám Sát Dựa Trên Đồ Thị Và Ứng Dụng
• Loại tài liệu: luận văn
• Năm xuất bản: 2015
• Địa điểm: Thái Nguyên

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ PHƯƠNG PHÁP HỌC MÁY
• 1.1. Có hai loại phương pháp học máy hình
• 1.2. Khoa học máy tính
• 2. CHƯƠNG 2: PHƯƠNG PHÁP HỌC MÁY DỰA TRÊN ĐỒ THỊ
• 3. CHƯƠNG 3: CÀI ĐẶT VÀ THỬ NGHIỆM THUẬT TOÁN
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Học Nửa Giám Sát Bí Quyết Xử Lý Dữ Liệu

Học nửa giám sát (Semi-supervised learning) là một lĩnh vực quan trọng trong học máy. Nó kết hợp ưu điểm của cả học có giám sát và học không giám sát. Trong thực tế, việc thu thập dữ liệu có nhãn tốn kém và mất thời gian. Học nửa giám sát tận dụng dữ liệu không nhãn, vốn dễ dàng thu thập hơn, để cải thiện hiệu suất mô hình. Phương pháp này đặc biệt hữu ích khi chỉ có một lượng nhỏ dữ liệu có nhãn, và một lượng lớn dữ liệu không nhãn. Theo tài liệu, học nửa giám sát sử dụng cả dữ liệu đã gán nhãn và chưa gán nhãn để huấn luyện, điển hình là một lượng nhỏ dữ liệu có gán nhãn cùng với lượng lớn dữ liệu chưa gán nhãn. Điều này giúp xây dựng các bộ phân lớp tốt hơn. Học nửa giám sát là một giải pháp hiệu quả cho nhiều bài toán thực tế.

1.1. Ưu Điểm của Phương Pháp Học Nửa Giám Sát

Học nửa giám sát giải quyết vấn đề thiếu hụt dữ liệu gán nhãn. Nó giảm chi phí và công sức so với việc gán nhãn toàn bộ dữ liệu. Sử dụng dữ liệu không nhãn giúp mô hình khái quát hóa tốt hơn, đặc biệt khi dữ liệu có cấu trúc phức tạp. Điều này giúp cải thiện độ chính xác và khả năng ứng dụng của mô hình trong thực tế. Vì đòi hỏi nỗ lực của con người ít hơn và đưa ra độ chính xác cao nên học nửa giám sát là sự quan tâm lớn về lý thuyết và thực hành.

1.2. So Sánh Học Nửa Giám Sát với Các Phương Pháp Học Khác

Khác với học có giám sát, học nửa giám sát không yêu cầu toàn bộ dữ liệu phải có nhãn. Khác với học không giám sát, nó tận dụng thông tin từ dữ liệu có nhãn để hướng dẫn quá trình học. Học tăng cường tập trung vào việc tối ưu hóa hành động dựa trên phần thưởng, trong khi học nửa giám sát tập trung vào việc dự đoán nhãn. Sự kết hợp này mang lại tính linh hoạt và hiệu quả cao hơn trong nhiều tình huống.

II. Đồ Thị Học Nửa Giám Sát Phân Tích Giải Thuật

Đồ thị học đóng vai trò quan trọng trong học nửa giám sát. Dữ liệu được biểu diễn dưới dạng đồ thị, với các nút đại diện cho các mẫu dữ liệu và các cạnh thể hiện mối quan hệ tương đồng giữa chúng. Các giải thuật học nửa giám sát trên đồ thị khai thác cấu trúc này để lan truyền nhãn từ các nút đã được gán nhãn sang các nút chưa được gán nhãn. Độ đo tương đồng trên đồ thị (Độ đo tương đồng trên đồ thị) xác định mức độ ảnh hưởng của các nút lân cận đến việc dự đoán nhãn. Phương pháp này hiệu quả khi dữ liệu có cấu trúc hình học rõ ràng.

2.1. Xây Dựng Đồ Thị trong Học Nửa Giám Sát

Việc xây dựng đồ thị phù hợp là yếu tố then chốt. Các phương pháp phổ biến bao gồm đồ thị k-láng giềng gần nhất (k-NN graph), đồ thị ε-lân cận, và đồ thị dựa trên hạt nhân (kernel graph). Mỗi phương pháp có ưu nhược điểm riêng, và việc lựa chọn phụ thuộc vào đặc điểm của dữ liệu. Theo tài liệu, có nhiều loại đồ thị phổ biến có thể sử dụng trong học nửa giám sát.

2.2. Các Giải Thuật Lan Truyền Nhãn trên Đồ Thị

Thuật toán lan truyền nhãn (Label propagation) là một phương pháp phổ biến. Nó lặp đi lặp lại việc lan truyền nhãn từ các nút đã biết sang các nút lân cận chưa biết, cho đến khi đạt được sự ổn định. Hàm điều hòa (Harmonic functions) cũng được sử dụng để tìm một hàm gán nhãn mượt mà trên đồ thị, sao cho các nút lân cận có nhãn tương tự. Các thuật toán này hiệu quả trong việc tận dụng cấu trúc đồ thị để dự đoán nhãn.

2.3. Hàm điều hòa và các trường Gaussian ngẫu nhiên

Các trường Gaussian ngẫu nhiên và các hàm điều hòa liên kết chặt chẽ với các thuật toán học nửa giám sát dựa trên đồ thị. Trường Gaussian ngẫu nhiên cung cấp một khuôn khổ xác suất để mô hình hóa sự phụ thuộc giữa các điểm dữ liệu. Hàm điều hòa, được xác định là một hàm tối thiểu hóa sự thay đổi tổng thể trên đồ thị, đóng vai trò quan trọng trong việc suy ra nhãn cho các điểm dữ liệu chưa được gắn nhãn.

III. Ứng Dụng Thực Tiễn Học Nửa Giám Sát Dựa Trên Đồ Thị

Học máy trên đồ thị và Ứng dụng học máy nửa giám sát có nhiều ứng dụng thực tiễn quan trọng. Trong xử lý ảnh, nó được sử dụng để phân đoạn ảnh và nhận dạng đối tượng. Trong xử lý văn bản, nó được sử dụng để phân loại văn bản và phân tích cảm xúc. Trong mạng xã hội, nó được sử dụng để dự đoán liên kết và phát hiện cộng đồng. Trong tin sinh học, nó được sử dụng để dự đoán chức năng protein và phân tích mạng lưới gen. Các ứng dụng này chứng minh tính linh hoạt và hiệu quả của phương pháp này.

3.1. Ứng Dụng trong Xử Lý Ảnh và Thị Giác Máy Tính

Học nửa giám sát giúp cải thiện độ chính xác của các tác vụ phân đoạn ảnh, bằng cách sử dụng một lượng nhỏ dữ liệu có nhãn để hướng dẫn quá trình phân cụm các pixel. Nó cũng được sử dụng trong nhận dạng đối tượng, bằng cách lan truyền nhãn từ một số ít đối tượng được gán nhãn sang các đối tượng tương tự trong ảnh.

3.2. Ứng Dụng trong Xử Lý Văn Bản và Ngôn Ngữ Tự Nhiên

Học nửa giám sát được sử dụng để phân loại văn bản, ví dụ như phân loại email spam hoặc phân loại tin tức theo chủ đề. Nó cũng được sử dụng trong phân tích cảm xúc, bằng cách gán nhãn cảm xúc cho một số ít văn bản và lan truyền nhãn này sang các văn bản tương tự khác.

3.3. Ứng dụng trong mạng xã hội

Trong mạng xã hội, Học nửa giám sát và đồ thị được ứng dụng rộng rãi. Việc dự đoán liên kết giữa người dùng và phát hiện cộng đồng dựa trên mối quan hệ xã hội trở nên hiệu quả hơn nhờ vào khả năng tận dụng dữ liệu không nhãn để hiểu rõ cấu trúc mạng.

IV. Cài Đặt Thuật Toán Thực Nghiệm và Đánh Giá Hiệu Năng

Việc đánh giá hiệu năng học nửa giám sát là rất quan trọng để so sánh các thuật toán khác nhau và xác định phương pháp tốt nhất cho một bài toán cụ thể. Các chỉ số đánh giá phổ biến bao gồm độ chính xác, độ đo F1, và AUC. So sánh các thuật toán học nửa giám sát trên các bộ dữ liệu khác nhau giúp hiểu rõ ưu nhược điểm của từng phương pháp. Theo tài liệu gốc, việc cài đặt và thử nghiệm thuật toán lan truyền nhãn trên đồ thị đã được thực hiện.

4.1. Mô Tả Dữ Liệu Đầu Vào và Môi Trường Cài Đặt

Việc mô tả chi tiết dữ liệu đầu vào, bao gồm số lượng mẫu, số lượng đặc trưng, và tỷ lệ dữ liệu có nhãn, là cần thiết để đảm bảo tính tái lặp của nghiên cứu. Môi trường cài đặt, bao gồm phần cứng, phần mềm, và các thư viện được sử dụng, cũng cần được ghi lại đầy đủ. Theo tài liệu gốc, dữ liệu đầu vào đã được mô tả rõ ràng.

4.2. Phân tích và đánh giá kết quả thử nghiệm thuật toán

Phân tích kết quả thử nghiệm sẽ tập trung vào so sánh độ chính xác, khả năng dự đoán và thời gian thực hiện giữa các thuật toán khác nhau. Đánh giá sâu hơn về các lỗi dự đoán và ảnh hưởng của siêu tham số sẽ giúp hiểu rõ hơn về tính chất của từng thuật toán.

V. Thách Thức Hướng Phát Triển Tương Lai Học Nửa Giám Sát

Mặc dù có nhiều ưu điểm, học nửa giám sát vẫn đối mặt với một số thách thức. Việc lựa chọn đồ thị phù hợp và điều chỉnh các tham số có thể khó khăn. Khả năng mở rộng của các thuật toán trên đồ thị đối với dữ liệu lớn vẫn còn là một vấn đề. Các hướng phát triển tương lai bao gồm việc phát triển các thuật toán hiệu quả hơn cho dữ liệu lớn, và việc kết hợp học nửa giám sát với các phương pháp học sâu (Deep Learning) và tăng cường.

5.1. Các Thách Thức Hiện Tại trong Học Nửa Giám Sát

Một thách thức lớn là giả định về tính nhất quán, tức là các điểm gần nhau trên đồ thị có xu hướng có cùng nhãn. Tuy nhiên, điều này không phải lúc nào cũng đúng trong thực tế. Việc xử lý dữ liệu nhiễu và dữ liệu có cấu trúc phức tạp cũng là một thách thức.

5.2. Hướng Phát Triển Tiềm Năng và Nghiên Cứu Mới

Việc kết hợp học nửa giám sát với học sâu là một hướng phát triển đầy hứa hẹn. Các mạng thần kinh đồ thị (Graph Neural Networks) có khả năng học các biểu diễn dữ liệu phức tạp trên đồ thị, và có thể được sử dụng trong học nửa giám sát để cải thiện hiệu suất dự đoán.

VI. Kết Luận Tầm Quan Trọng Triển Vọng Học Nửa Giám Sát

Học nửa giám sát dựa trên đồ thị là một phương pháp hiệu quả để giải quyết các bài toán học máy khi dữ liệu có nhãn khan hiếm. Nó tận dụng cấu trúc đồ thị để lan truyền nhãn và cải thiện hiệu suất dự đoán. Với nhiều ứng dụng thực tiễn và tiềm năng phát triển lớn, học nửa giám sát đóng vai trò quan trọng trong việc xây dựng các hệ thống thông minh và tự động hóa.

6.1. Tổng Kết Các Ưu Điểm và Ứng Dụng Chính

Học nửa giám sát giảm chi phí gán nhãn, cải thiện độ chính xác, và có nhiều ứng dụng trong xử lý ảnh, xử lý văn bản, mạng xã hội, và tin sinh học. Nó là một công cụ mạnh mẽ cho các bài toán học máy thực tế.

6.2. Triển Vọng Phát Triển và Hướng Nghiên Cứu Tiếp Theo

Việc kết hợp học nửa giám sát với học sâu, phát triển các thuật toán hiệu quả hơn cho dữ liệu lớn, và giải quyết các thách thức về tính nhất quán và dữ liệu nhiễu là những hướng nghiên cứu quan trọng trong tương lai.

Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của khoa học máy tính và trí tuệ nhân tạo, học máy giám sát (supervised learning) và các phương pháp học máy nửa giám sát (semi-supervised learning) ngày càng đóng vai trò quan trọng trong việc xử lý và phân loại dữ liệu lớn. Theo ước tính, lượng dữ liệu chưa được gán nhãn chiếm phần lớn trong các tập dữ liệu thực tế, gây khó khăn cho việc huấn luyện các mô hình học máy hiệu quả. Luận văn tập trung nghiên cứu tổng quan về học máy giám sát và một số phương pháp học máy giám sát dựa trên đồ thị (graph-based), đồng thời thiết lập và thử nghiệm thuật toán lan truyền nhãn (label propagation) kết hợp với thuật toán tự huấn luyện (self-training) nhằm nâng cao hiệu quả phân loại dữ liệu chưa gán nhãn.

Mục tiêu nghiên cứu là đánh giá các phương pháp học máy giám sát và học máy nửa giám sát, phát triển thuật toán kết hợp dựa trên đồ thị để phân loại dữ liệu chưa gán nhãn, đồng thời xây dựng phần mềm thử nghiệm và đánh giá hiệu quả thuật toán trên các tập dữ liệu thực tế. Phạm vi nghiên cứu tập trung vào lĩnh vực khoa học máy tính, đặc biệt là học máy và khai phá dữ liệu, với các thử nghiệm được thực hiện trên dữ liệu văn bản và dữ liệu mạng liên kết trong khoảng thời gian gần đây.

Nghiên cứu có ý nghĩa quan trọng trong việc cung cấp giải pháp xử lý dữ liệu chưa gán nhãn hiệu quả, giảm thiểu chi phí gán nhãn thủ công, đồng thời mở rộng ứng dụng học máy trong các lĩnh vực như xử lý ngôn ngữ tự nhiên, nhận dạng mẫu, và khai phá dữ liệu mạng xã hội. Các chỉ số đánh giá hiệu quả thuật toán bao gồm độ chính xác phân loại, tỷ lệ lỗi, và khả năng mở rộng trên tập dữ liệu lớn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: học máy giám sát và học máy nửa giám sát dựa trên đồ thị. Học máy giám sát là kỹ thuật sử dụng tập dữ liệu đã gán nhãn để huấn luyện mô hình phân loại hoặc dự đoán, trong đó các thuật toán phổ biến gồm Support Vector Machine (SVM), cây quyết định (Decision Trees), và k-láng giềng gần nhất (k-NN). Học máy nửa giám sát kết hợp dữ liệu đã gán nhãn và chưa gán nhãn nhằm cải thiện hiệu quả học tập, trong đó phương pháp dựa trên đồ thị sử dụng cấu trúc liên kết giữa các điểm dữ liệu để lan truyền nhãn từ dữ liệu đã gán nhãn sang dữ liệu chưa gán nhãn.

Các khái niệm chính bao gồm:

• Học máy giám sát (Supervised Learning): Mô hình học từ dữ liệu đầu vào và nhãn tương ứng để dự đoán nhãn cho dữ liệu mới.
• Học máy nửa giám sát (Semi-supervised Learning): Kết hợp dữ liệu đã và chưa gán nhãn để huấn luyện mô hình.
• Thuật toán lan truyền nhãn (Label Propagation): Sử dụng đồ thị biểu diễn dữ liệu, nhãn được lan truyền qua các cạnh dựa trên độ tương đồng.
• Thuật toán tự huấn luyện (Self-training): Mô hình huấn luyện lặp lại bằng cách sử dụng dự đoán của chính nó trên dữ liệu chưa gán nhãn để mở rộng tập huấn luyện.
• Support Vector Machine (SVM): Thuật toán phân loại tối ưu hóa lề phân cách giữa các lớp dữ liệu.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu bao gồm các tập dữ liệu văn bản và mạng xã hội, trong đó có khoảng ℓ mẫu dữ liệu đã gán nhãn và u mẫu chưa gán nhãn với u ≫ ℓ. Phương pháp phân tích sử dụng kết hợp thuật toán lan truyền nhãn dựa trên đồ thị và thuật toán tự huấn luyện nhằm tận dụng tối đa thông tin từ dữ liệu chưa gán nhãn.

Quy trình nghiên cứu gồm các bước:

1. Xác định loại dữ liệu huấn luyện: Lựa chọn tập dữ liệu đã gán nhãn làm tập huấn luyện ban đầu.
2. Xây dựng tập dữ liệu huấn luyện: Kết hợp dữ liệu đã gán nhãn và dữ liệu chưa gán nhãn được dự đoán nhãn trong quá trình tự huấn luyện.
3. Biểu diễn dữ liệu đầu vào: Mỗi điểm dữ liệu được biểu diễn dưới dạng vector đặc trưng đa chiều.
4. Lựa chọn thuật toán học máy: Áp dụng thuật toán SVM, thuật toán lan truyền nhãn và thuật toán tự huấn luyện.
5. Huấn luyện và đánh giá mô hình: Sử dụng tập huấn luyện để huấn luyện mô hình, đánh giá trên tập kiểm tra với các chỉ số như độ chính xác, tỷ lệ lỗi.

Timeline nghiên cứu kéo dài trong khoảng thời gian từ năm 2014 đến 2015, bao gồm giai đoạn thu thập dữ liệu, xây dựng mô hình, thử nghiệm thuật toán và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của thuật toán lan truyền nhãn: Thuật toán lan truyền nhãn dựa trên đồ thị đã giúp tăng độ chính xác phân loại dữ liệu chưa gán nhãn lên khoảng 15% so với phương pháp học máy giám sát truyền thống chỉ sử dụng dữ liệu đã gán nhãn.

2. Tăng cường hiệu quả với thuật toán tự huấn luyện: Kết hợp thuật toán tự huấn luyện với lan truyền nhãn giúp cải thiện thêm khoảng 8% độ chính xác, đồng thời giảm tỷ lệ lỗi phân loại xuống dưới 10%.

3. Khả năng mở rộng trên tập dữ liệu lớn: Thuật toán kết hợp cho thấy khả năng xử lý hiệu quả trên tập dữ liệu với kích thước lên đến hàng chục nghìn mẫu, trong đó tỷ lệ dữ liệu chưa gán nhãn chiếm hơn 80%.

4. So sánh với các phương pháp khác: So với phương pháp EM với mô hình hỗn hợp Gaussian và phương pháp đồ thị Laplacian, thuật toán đề xuất đạt hiệu quả phân loại cao hơn từ 5-7% trên các tập dữ liệu thử nghiệm.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện hiệu quả là do thuật toán lan truyền nhãn tận dụng được cấu trúc liên kết tự nhiên giữa các điểm dữ liệu, giúp truyền thông tin nhãn một cách chính xác hơn. Thuật toán tự huấn luyện bổ sung thêm dữ liệu huấn luyện chất lượng cao từ dự đoán của mô hình, làm tăng khả năng tổng quát hóa.

So sánh với các nghiên cứu trước đây, kết quả phù hợp với báo cáo của ngành về hiệu quả của học máy nửa giám sát trong việc giảm chi phí gán nhãn và nâng cao độ chính xác. Biểu đồ so sánh độ chính xác giữa các phương pháp minh họa rõ sự vượt trội của thuật toán kết hợp.

Ý nghĩa của kết quả là mở ra hướng phát triển các hệ thống phân loại dữ liệu tự động, đặc biệt trong các lĩnh vực có lượng lớn dữ liệu chưa gán nhãn như xử lý ngôn ngữ tự nhiên, khai phá dữ liệu mạng xã hội, và y sinh học.

Đề xuất và khuyến nghị

1. Triển khai thuật toán kết hợp trong hệ thống phân loại dữ liệu lớn: Đề nghị các tổ chức nghiên cứu và doanh nghiệp áp dụng thuật toán lan truyền nhãn kết hợp tự huấn luyện để xử lý dữ liệu chưa gán nhãn, nhằm nâng cao độ chính xác phân loại trong vòng 6-12 tháng.

2. Phát triển phần mềm hỗ trợ tự động hóa gán nhãn: Xây dựng phần mềm tích hợp thuật toán đề xuất để hỗ trợ chuyên gia trong việc gán nhãn dữ liệu, giảm thiểu thời gian và chi phí, với mục tiêu hoàn thiện trong 1 năm.

3. Mở rộng ứng dụng trong các lĩnh vực chuyên sâu: Khuyến nghị nghiên cứu áp dụng thuật toán vào các lĩnh vực như y tế, tài chính, và an ninh mạng, nhằm khai thác hiệu quả từ dữ liệu chưa gán nhãn, tiến hành thử nghiệm trong 18 tháng.

4. Đào tạo và nâng cao năng lực chuyên gia: Tổ chức các khóa đào tạo về học máy nửa giám sát và kỹ thuật phân loại dựa trên đồ thị cho cán bộ nghiên cứu và kỹ sư dữ liệu, nhằm nâng cao năng lực triển khai thuật toán trong thực tế.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành khoa học máy tính: Luận văn cung cấp kiến thức nền tảng và phương pháp nghiên cứu về học máy giám sát và nửa giám sát, hỗ trợ phát triển đề tài nghiên cứu mới.

2. Chuyên gia phân tích dữ liệu và kỹ sư học máy: Cung cấp giải pháp kỹ thuật và thuật toán tiên tiến để xử lý dữ liệu chưa gán nhãn, giúp cải thiện hiệu quả công việc.

3. Doanh nghiệp và tổ chức phát triển phần mềm: Tham khảo để ứng dụng thuật toán vào sản phẩm phân loại dữ liệu tự động, nâng cao chất lượng dịch vụ và giảm chi phí vận hành.

4. Các lĩnh vực ứng dụng như y tế, tài chính, an ninh mạng: Hướng dẫn áp dụng học máy nửa giám sát để khai thác dữ liệu lớn chưa gán nhãn, hỗ trợ ra quyết định chính xác hơn.

Câu hỏi thường gặp

1. Học máy giám sát và học máy nửa giám sát khác nhau thế nào?
   Học máy giám sát sử dụng dữ liệu đã gán nhãn đầy đủ để huấn luyện mô hình, trong khi học máy nửa giám sát kết hợp cả dữ liệu đã và chưa gán nhãn nhằm tận dụng tối đa thông tin, giảm chi phí gán nhãn.

2. Thuật toán lan truyền nhãn dựa trên đồ thị hoạt động ra sao?
   Thuật toán xây dựng đồ thị biểu diễn dữ liệu, trong đó các nút là điểm dữ liệu và các cạnh thể hiện độ tương đồng. Nhãn được lan truyền từ các điểm đã gán nhãn sang các điểm chưa gán nhãn dựa trên cấu trúc đồ thị.

3. Tự huấn luyện (self-training) có ưu điểm gì?
   Tự huấn luyện cho phép mô hình sử dụng dự đoán của chính nó trên dữ liệu chưa gán nhãn để mở rộng tập huấn luyện, giúp cải thiện độ chính xác và khả năng tổng quát hóa mà không cần thêm dữ liệu gán nhãn thủ công.

4. Phương pháp kết hợp lan truyền nhãn và tự huấn luyện có thể áp dụng cho loại dữ liệu nào?
   Phương pháp này phù hợp với dữ liệu có cấu trúc liên kết rõ ràng như văn bản, mạng xã hội, hình ảnh có mối quan hệ, và các tập dữ liệu lớn có tỷ lệ dữ liệu chưa gán nhãn cao.

5. Làm thế nào để đánh giá hiệu quả của thuật toán học máy nửa giám sát?
   Hiệu quả được đánh giá qua các chỉ số như độ chính xác phân loại, tỷ lệ lỗi, khả năng mở rộng trên tập dữ liệu lớn, và so sánh với các phương pháp học máy truyền thống hoặc các thuật toán khác.

Kết luận

• Luận văn đã tổng quan và đánh giá các phương pháp học máy giám sát và học máy nửa giám sát dựa trên đồ thị, tập trung vào thuật toán lan truyền nhãn kết hợp tự huấn luyện.
• Thuật toán đề xuất cải thiện đáng kể độ chính xác phân loại dữ liệu chưa gán nhãn, giảm tỷ lệ lỗi và tăng khả năng mở rộng trên tập dữ liệu lớn.
• Phần mềm thử nghiệm được xây dựng và đánh giá cho thấy tính khả thi và hiệu quả của phương pháp trong thực tế.
• Đề xuất các giải pháp triển khai, phát triển phần mềm và đào tạo chuyên gia nhằm ứng dụng rộng rãi thuật toán trong các lĩnh vực khác nhau.
• Các bước tiếp theo bao gồm mở rộng thử nghiệm trên các loại dữ liệu đa dạng, tối ưu thuật toán và phát triển hệ thống phân loại tự động hoàn chỉnh.

Hành động khuyến nghị: Các nhà nghiên cứu và doanh nghiệp nên áp dụng và phát triển thêm các phương pháp học máy nửa giám sát dựa trên đồ thị để tận dụng tối đa nguồn dữ liệu chưa gán nhãn, nâng cao hiệu quả phân loại và ra quyết định thông minh.