Luận án về mô hình phân cụm bán giám sát dựa trên mạng nơron Min-Max mờ - Học viện KH&CN

Luận án nghiên cứu phát triển các mô hình phân cụm bán giám sát dựa trên mạng nơron Min-Max mờ FMN, áp dụng bỏ phiếu đa số và chọn hạt giống chủ động tại VAST.

• Tác giả: Nguyễn Thanh Sơn
• Trường học: Học viện Khoa học và Công nghệ
• Chuyên ngành: Máy tính
• Đề tài: Nghiên cứu phát triển một số mô hình phân cụm bán giám sát dựa trên mạng nơron Min-Max mờ
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2026
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan phân cụm bán giám sát dựa trên mạng nơron Min Max mờ

Phân cụm bán giám sát là hướng nghiên cứu then chốt trong khai phá dữ liệu hiện đại. Phương pháp này tận dụng đồng thời dữ liệu chưa gán nhãn và một lượng nhỏ mẫu có nhãn. Mạng nơron Min-Max mờ (FMN) cung cấp nền tảng tính toán mạnh mẽ cho nhiệm vụ phân hoạch phức tạp. Cấu trúc mạng biểu diễn các cụm dữ liệu dưới dạng siêu hộp mờ trong không gian Euclid đa chiều. Mỗi siêu hộp được xác định bởi hai đỉnh đối diện gồm đỉnh cực tiểu và đỉnh cực đại. Hàm thuộc siêu hộp tính toán mức độ gắn kết của từng điểm dữ liệu vào cụm tương ứng. Thuật toán FMN có khả năng học gia tăng trực tuyến. Hệ thống cập nhật tri thức mới mà không cần huấn luyện lại toàn bộ mô hình từ đầu. Đặc tính này giúp tiết kiệm tài nguyên tính toán và rút ngắn thời gian xử lý dữ liệu lớn. Sự kết hợp giữa lý thuyết tập mờ và mạng nơron tạo ra ranh giới quyết định mềm dẻo. Mô hình thích ứng linh hoạt với dữ liệu phân bố phi tuyến tính hoặc dữ liệu chứa nhiễu.

1.1. Kiến trúc cơ bản của mạng nơron Min Max mờ

Mạng nơron Min-Max mờ gồm ba lớp xử lý liên kết tuần tự. Lớp đầu vào tiếp nhận các thuộc tính đặc trưng từ mẫu dữ liệu thô. Lớp thứ hai chứa tập hợp các nơron siêu hộp mờ biểu thị vùng cụm. Mỗi nơron siêu hộp lưu trữ tọa độ biên dưới và biên trên trong không gian. Lớp đầu ra thực hiện tổng hợp kết quả phân loại cuối cùng. Điểm nổi bật của kiến trúc này nằm ở khả năng tạo mới siêu hộp tự động. Khi gặp mẫu dữ liệu nằm ngoài vùng bao phủ, mạng lập tức khởi tạo nơron đại diện mới. Quy trình lan truyền tiến diễn ra nhanh gọn và minh bạch. Người dùng dễ dàng diễn giải ý nghĩa hình học của từng cụm dữ liệu hình thành.

1.2. Cơ chế thích nghi và mở rộng siêu hộp mờ

Quá trình huấn luyện mạng FMN tuân thủ chuỗi thao tác hình học nghiêm ngặt. Khi tiếp nhận mẫu dữ liệu mới, hệ thống tìm kiếm siêu hộp có độ thuộc lớn nhất. Nếu kích thước mở rộng không vượt ngưỡng giới hạn cho phép, siêu hộp tiến hành bao nạp mẫu. Trường hợp vượt ngưỡng quy định, mạng tạo lập một siêu hộp độc lập khác. Sau bước mở rộng, thuật toán tiến hành kiểm tra sự chồng lấn giữa các siêu hộp lân cận. Nếu phát hiện vùng giao thoa, cơ chế co cụm lập tức kích hoạt nhằm thu hẹp biên giới. Thao tác điều chỉnh này loại bỏ triệt để xung đột không gian giữa các nhãn. Thuật toán duy trì tính phân tách rõ ràng mà không làm sai lệch cấu trúc dữ liệu tổng thể.

II. Thách thức phân cụm bán giám sát dựa trên mạng nơron Min Max mờ

Mô hình phân cụm bán giám sát dựa trên mạng nơron Min-Max mờ truyền thống đối mặt nhiều hạn chế kỹ thuật. Thách thức lớn nhất xuất phát từ tính nhạy cảm đối với thứ tự xuất hiện của dữ liệu đầu vào. Trật tự nạp mẫu thay đổi dẫn đến hình dạng và số lượng siêu hộp biến thiên mạnh. Hiện tượng này làm suy giảm tính ổn định của toàn bộ hệ thống phân hoạch. Vấn đề lan truyền sai nhãn cũng thường xuyên xảy ra ở vùng biên cụm phức tạp. Khi một siêu hộp nhận nhãn ban đầu không chính xác, sai số lan truyền sang hàng loạt mẫu chưa gán nhãn lân cận. Hơn nữa, việc phân bổ mẫu có nhãn trong không gian thường rời rạc và mất cân bằng nghiêm trọng. Sự thiếu hụt thông tin dẫn đường khiến các siêu hộp dễ bị phình to bất thường tại vùng dữ liệu thưa. Ngoài ra, việc cố định tham số kích thước tối đa cản trở mạng xử lý các cụm có mật độ không đồng đều. Vùng chồng lấn giữa các lớp dữ liệu cũng làm giảm độ tin cậy của hàm thuộc mờ.

2.1. Rủi ro lan truyền sai lệch từ mẫu gán nhãn

Trong học bán giám sát, số lượng mẫu gán nhãn luôn chiếm tỷ lệ rất khiêm tốn. Nếu các mẫu hạt giống này chứa nhiễu đo lường, rủi ro lan truyền sai nhãn sẽ tăng vọt. Mạng FMN gán nhãn cho toàn bộ siêu hộp dựa trên các mẫu có sẵn. Khi một siêu hộp bị dán nhãn sai, mọi điểm dữ liệu rơi vào phạm vi đó đều nhận định danh lỗi. Cơ chế này gây tác động dây chuyền tiêu cực lên toàn bộ quá trình gom cụm. Các thuật toán truyền thống thiếu công cụ xác minh độ tin cậy của từng đại diện. Ranh giới cụm vì thế bị bóp méo nghiêm trọng tại các vùng chuyển tiếp. Hiện tượng gán nhãn cưỡng bức làm mất đi tính khách quan của phân phối dữ liệu tự nhiên.

2.2. Xung đột không gian và suy giảm chất lượng cụm

Sự chồng lấn giữa các siêu hộp tạo ra những khu vực tranh chấp ranh giới phức tạp. Thuật toán co cụm cổ điển thường cắt gọt biên một cách máy móc và cứng nhắc. Biện pháp xử lý này đôi khi loại bỏ nhầm các phần tử biên hợp lệ của cụm. Khi dữ liệu có kích thước cụm không đồng đều, việc dùng chung một ngưỡng co giãn gây mất cân bằng. Siêu hộp tại khu vực mật độ dày dễ bị chia cắt thành nhiều mảnh vụn nhỏ. Ngược lại, tại vùng thưa, siêu hộp mở rộng quá mức và nuốt trọn cả các điểm dị biệt. Kết quả phân hoạch cuối cùng phản ánh sai lệch cấu trúc hình học thực tế. Hiệu năng tổng thể của mô hình vì thế suy giảm rõ rệt.

III. Đột phá phân cụm bán giám sát dựa trên mạng nơron Min Max mờ

Để khắc phục triệt để các tồn tại trên, các mô hình FMN cải tiến tích hợp cơ chế bỏ phiếu và chọn hạt giống chủ động. Mô hình FMN-Voting bổ sung nguyên lý bỏ phiếu đa số vào mạng nơron. Nhãn phân lớp không phụ thuộc vào một siêu hộp đơn lẻ mà dựa trên sự đồng thuận của tập hợp lân cận. Cơ chế này kiểm soát hiệu quả hiện tượng lan truyền sai lệch tại các khu vực chồng lấn. Đồng thời, mô hình FMN-SAL cải tiến khả năng học thích nghi bằng việc khai thác cấu trúc phân phối dữ liệu nội tại. Tiếp tục bước phát triển đó, mô hình FA-Seed đưa ra chiến lược chọn hạt giống chủ động dựa trên mật độ và độ lệch tâm. Thuật toán chủ động lựa chọn những điểm dữ liệu giàu thông tin nhất để gán nhãn ban đầu. Sự phối hợp này tối ưu hóa việc phân chia ranh giới siêu hộp ngay từ giai đoạn khởi tạo. Kết quả là mô hình đạt độ chính xác phân hoạch vượt trội và giảm bớt gánh nặng gán nhãn thủ công. Chi phí tính toán duy trì ở mức thấp, bảo toàn khả năng xử lý dữ liệu lớn theo thời gian thực.

3.1. Cơ chế bỏ phiếu đa số trong FMN Voting

Mô hình FMN-Voting chia quy trình học thành hai giai đoạn rõ ràng. Giai đoạn đầu tiên xây dựng tập hạt giống và tính toán thông tin bổ trợ không gian. Giai đoạn tiếp theo tiến hành huấn luyện bán giám sát với cơ chế bỏ phiếu dựa trên siêu hộp. Khi tiếp nhận một mẫu chưa gán nhãn, hệ thống tìm kiếm tập hợp các siêu hộp lân cận có độ thuộc cao nhất. Quyết định nhãn được ấn định thông qua sự đồng thuận đa số của các đại diện này. Cách tiếp cận tập thể giúp triệt tiêu ảnh hưởng của những siêu hộp cá biệt bị lệch nhãn. Mạng nơron duy trì sự ổn định ngay cả khi ranh giới phân bố cụm cực kỳ phức tạp hoặc xuất hiện nhiều nhiễu ngẫu nhiên.

3.2. Chiến lược chọn hạt giống chủ động FA Seed

Mô hình FA-Seed giải quyết bài toán lựa chọn mẫu gán nhãn khởi đầu bằng tư duy chủ động. Thuật toán không chọn mẫu ngẫu nhiên mà phân tích sâu mật độ phân bố và độ lệch tâm hình học. Những mẫu đại diện nằm ở trung tâm cụm có mật độ cao được ưu tiên gán nhãn trước. Ngược lại, các phần tử nằm sát ranh giới tranh chấp được gắn cờ để xử lý thận trọng. Chiến lược này giúp định hình khung sườn siêu hộp chuẩn xác ngay từ các vòng lặp sơ khởi. Số lượng nhãn cần thu thập giảm đáng kể nhưng vẫn đảm bảo chất lượng phân cụm tối ưu. Kiến trúc mạng đạt tốc độ hội tụ nhanh và loại trừ sai số tích lũy một cách chủ động.

IV. Ứng dụng phân cụm bán giám sát dựa trên mạng nơron Min Max mờ

Mô hình phân cụm bán giám sát dựa trên mạng nơron Min-Max mờ sở hữu tiềm năng ứng dụng thực tiễn to lớn. Khả năng học gia tăng trực tuyến giúp giải pháp này vận hành mượt mà trên các luồng dữ liệu thời gian thực. Trong lĩnh vực an ninh mạng, hệ thống phát hiện chính xác các cuộc tấn công mạng bất thường chỉ với vài mẫu cảnh báo mẫu. Trong y tế, mô hình hỗ trợ phân loại bệnh án và hình ảnh y khoa khi chi phí dán nhãn bởi chuyên gia quá đắt đỏ. Các lĩnh vực như thị giác máy tính, phân tích tài chính và giám sát công nghiệp đều ghi nhận hiệu quả vượt trội. Thuật toán duy trì tốc độ xử lý nhanh nhờ cấu trúc tính toán hình học song song. Sự minh bạch của các siêu hộp giúp chuyên gia dễ dàng thẩm định và kiểm soát quyết định thuật toán. Đây là ưu thế vượt trội so với các mạng nơron hộp đen thông thường. Nghiên cứu mở ra hướng đi bền vững cho các bài toán phân tích dữ liệu quy mô lớn trong tương lai.

4.1. Phân loại dữ liệu luồng và an ninh thông tin

Dữ liệu mạng viễn thông biến đổi liên tục với lưu lượng khổng lồ. Mạng Min-Max mờ xử lý từng gói tin theo luồng dữ liệu độc lập mà không cần lưu trữ toàn bộ lịch sử. Khi xảy ra cuộc tấn công kiểu mới, mô hình lập tức nhận diện dị biệt và khởi tạo siêu hộp cảnh báo. Cơ chế học bán giám sát tận dụng một số lượng nhỏ chữ ký tấn công đã biết để suy diễn chính xác cho các biến thể mới. Giải pháp này giúp các trung tâm an ninh giảm thiểu tỷ lệ báo động giả. Hệ thống bảo vệ duy trì khả năng tự điều chỉnh ranh giới theo thời gian mà không làm gián đoạn đường truyền mạng.

4.2. Tiềm năng phát triển trong trí tuệ nhân tạo giải thích được

Trí tuệ nhân tạo giải thích được (XAI) đang trở thành tiêu chuẩn bắt buộc trong nhiều ngành trọng yếu. Các mạng nơron sâu thông thường đóng vai trò như chiếc hộp đen bí ẩn. Ngược lại, mạng Min-Max mờ mang bản chất hình học tường minh và trực quan. Mỗi siêu hộp tương ứng với một tập luật logic mờ dạng nếu-thì trực quan đối với con người. Chuyên gia có thể kiểm tra trực tiếp tọa độ đỉnh min-max để hiểu rõ lý do gán nhãn của thuật toán. Tính minh bạch này tạo dựng niềm tin tuyệt đối cho các hệ thống ra quyết định y khoa hoặc chẩn đoán kỹ thuật. Việc phát triển mô hình FMN trong tương lai hứa hẹn tạo nên cầu nối vững chắc giữa hiệu năng cao và khả năng giải trình thuật toán.

Trích đoạn nội dung tài liệu

Chương 1 cung cấp nền tảng lý thuyết liên quan đến phân cụm bán giám sát mờ và mô hình mạng nơron FMN. Thứ nhất, trình bày tổng quan về phân cụm dữ liệu, những hạn chế của phân cụm truyền thống và động lực xuất hiện của hướng tiếp cận bán giám sát. Thứ hai, trình bày về các phương pháp phân cụm bán giám sát mờ, làm rõ ưu điểm, nhược điểm và các thách thức trong thực tế. Phần cuối của chương giới thiệu khái quát về FMN, bao gồm nguyên lý hoạt động, cơ chế hình thành siêu hộp, hàm độ thuộc mờ và thuật toán học.

Sự tổng hợp này nhằm cung cấp cái nhìn toàn diện về các vấn đề nghiên cứu hiện tại, chỉ ra khoảng trống nghiên cứu và đặt nền móng cho các cải tiến và thuật toán mới được trình bày trong Chương 2 và Chương 3. Tổng quan về bài toán phân cụm dữ liệu và ứng dụng Phân cụm là một kỹ thuật quan trọng trong khai phá dữ liệu, thuộc nhóm phương pháp học không giám sát trong học máy [25, 26, 27]. Mục tiêu của phân cụm là nhóm các đối tượng tương đồng vào cùng một cụm [15, 28]. Tuy nhiên, việc lựa chọn phương pháp phân cụm phụ thuộc vào đặc điểm dữ liệu, mục tiêu bài toán và sự đánh đổi giữa chất lượng cụm và chi phí tính toán.

Do đó, không tồn tại một kỹ thuật hay tiêu chí đánh giá duy nhất phù hợp cho mọi bài toán phân cụm.1 minh họa dữ liệu trong không gian hai chiều có thể được phân thành hai hoặc ba cụm tùy theo quan điểm phân tích. Điều này cho thấy kết quả phân cụm không hoàn toàn duy nhất mà phụ thuộc vào tiêu chuẩn phân cụm được lựa chọn. Trong thực tế, phân cụm thường được chia thành hai nhóm chính: phân cụm rõ [29, 30, 31, 32] và phân cụm mờ [9, 33, 34, 35]. Phân cụm rõ gán mỗi điểm dữ liệu vào duy nhất một cụm, trong khi phân cụm mờ cho phép một điểm thuộc nhiều cụm thông qua các giá trị độ thuộc trong khoảng [0, 1].

Nhờ đó, phân cụm mờ phù hợp hơn với các bài toán có ranh giới cụm không rõ ràng hoặc có hiện tượng chồng lấn dữ liệu [10, 11, 12]. Nhiều thuật toán phân cụm mờ đã được đề xuất như FCM (Fuzzy C-Means), ε-FCM (ε-insensitive Fuzzy C-Means), FPCM (Fuzzy Possibilistic C-Means), song đa số đòi hỏi xác định trước số cụm, là tham số ảnh hưởng lớn đến kết quả.1: Minh họa phân cụm dữ liệu Phân cụm bán giám sát mờ (Semi-Supervised Fuzzy Clustering – SSC) là sự mở rộng của phân cụm mờ bằng cách khai thác một phần thông tin biết trước để định hướng quá trình phân cụm, từ đó nâng cao chất lượng và độ ổn định của kết quả [2, 3, 14]. Pedrycz đã chỉ ra rằng ngay cả một tỷ lệ nhỏ dữ liệu được gán nhãn cũng có thể cải thiện đáng kể hiệu quả phân cụm [13]. Các thông tin bổ trợ thường được biểu diễn dưới dạng ràng buộc must-link/cannot-link, nhãn hoặc độ thuộc xác định trước [8, 36, 37].

Một số mô hình tiêu biểu của hướng tiếp cận này gồm eSFCM [38], SSSFC [39], GSOM [40] và GFMM [15]. Phân cụm bán giám sát mờ kết hợp khả năng biểu diễn tính không chắc chắn của phân cụm mờ với một lượng nhỏ thông tin giám sát nhằm cải thiện kết quả học [41, 42]. Một số hướng tiếp cận tiêu biểu: (1) Phân cụm bán giám sát mờ dựa trên mẫu hạt giống; (2) Phân cụm bán giám sát mờ dựa trên ràng buộc cặp; (3) Phân cụm bán giám sát mờ dựa trên mô hình nguyên mẫu; và (4) Phân cụm bán giám sát mờ dựa trên mạng nơron mờ. Các phương pháp dựa trên mẫu hạt giống sử dụng một tập nhỏ các mẫu đã gán nhãn để định hướng quá trình phân cụm [43, 44, 45].

Trong phân cụm mờ, thông tin này thường được tích hợp bằng cách cố định hoặc ưu tiên giá trị độ thuộc của các mẫu hạt giống vào cụm tương ứng [46, 47, 48]. Cách tiếp cận này giúp giảm phụ thuộc vào khởi tạo ngẫu nhiên và cải thiện độ ổn định. Những nghiên cứu nền tảng cho hướng này có thể kể đến Bensaid và cộng sự [49] và Pedrycz [13]. Trên cơ sở đó, nhiều biến thể như Fuzzy C-Means khởi tạo bằng hạt giống (SFCM) [50, 51] hay FCM bán giám sát [14, 52, 53] đã được phát triển.

18 Gần đây, các phương pháp này còn được mở rộng theo hướng chủ động để lựa chọn hạt giống có giá trị thông tin cao hơn [42, 54, 55]. Tuy nhiên, hiệu quả của chúng vẫn phụ thuộc mạnh vào chất lượng, số lượng và tính đại diện của tập hạt giống [56, 57, 58]. Hướng tiếp cận dựa trên ràng buộc sử dụng các ràng buộc cặp dữ liệu dưới dạng must-link/cannot-link thay vì yêu cầu nhãn cụ thể cho từng mẫu [14, 59, 60]. Trong các mô hình mờ, các ràng buộc được tích hợp vào hàm mục tiêu như các điều khoản phạt mềm nhằm cân bằng giữa thỏa mãn ràng buộc và bảo toàn cấu trúc dữ liệu [61, 62, 63, 64].

Ưu điểm của cách tiếp cận này là linh hoạt và phù hợp khi khó thu thập nhãn đầy đủ, nhưng vẫn đối mặt với các thách thức về chi phí xây dựng ràng buộc, tính không nhất quán và khả năng mở rộng. Trong các phương pháp dựa trên nguyên mẫu, mỗi cụm được biểu diễn bởi một hoặc nhiều nguyên mẫu như tâm cụm hoặc đại diện hình học [65, 66]. Thông tin bán giám sát được tích hợp thông qua việc ràng buộc vị trí hoặc độ thuộc của các nguyên mẫu dựa trên dữ liệu đã biết [67, 68, 69]. Nhóm phương pháp này có ưu điểm về khả năng giải thích và giảm độ nhạy với nhiễu, song hiệu quả phụ thuộc lớn vào cơ chế xác định, cập nhật và ràng buộc nguyên mẫu.

Các mô hình dựa trên mạng nơron mờ, đặc biệt là cấu trúc siêu hộp, cung cấp một cách biểu diễn hình học trực quan cho phân cụm bán giám sát [43, 58]. Trong đó, mỗi cụm hoặc vùng dữ liệu được biểu diễn bởi một hoặc nhiều siêu hộp, còn độ thuộc được xác định dựa trên vị trí tương đối của điểm dữ liệu với các siêu hộp. Thông tin giám sát có thể được tích hợp thông qua gán nhãn siêu hộp, ràng buộc mở rộng/chồng lấn hoặc điều chỉnh hàm thuộc [70, 71, 72]. Các mô hình này đặc biệt phù hợp với dữ liệu chồng lấn và có nhiễu [73, 74], nhưng vẫn gặp khó khăn trong việc kiểm soát số lượng siêu hộp và xử lý chồng lấn phức tạp.

Nhìn chung, các hướng tiếp cận phân cụm bán giám sát mờ đều khai thác một lượng nhỏ thông tin giám sát để cải thiện chất lượng phân cụm [2, 3]. Các phương pháp dựa trên hạt giống có ưu điểm định hướng tốt quá trình học nhưng phụ thuộc mạnh vào chất lượng hạt giống [1, 13, 50, 52, 58, 59]. Các phương pháp dựa trên ràng buộc cặp linh hoạt hơn trong khai thác thông tin giám sát, song gặp khó khăn về chi phí và tính nhất quán của ràng buộc [5, 6, 7, 36, 37, 60]. Trong khi đó, các phương pháp nguyên mẫu có khả năng giải thích tốt nhưng phụ thuộc vào chất lượng biểu diễn của nguyên mẫu [65, 66, 75].

So với các hướng tiếp cận trên, FMN là một lựa chọn phù hợp hơn cho bài toán 19 của luận án [15, 16, 17, 18, 19, 76]. FMN biểu diễn dữ liệu bằng các siêu hộp mờ, cho phép mô hình hóa linh hoạt các vùng lõi, vùng biên và vùng chồng lấn; đồng thời có cơ chế học gia tăng, hỗ trợ cập nhật trực tuyến mà không cần huấn luyện lại toàn bộ mô hình [15, 16, 76]. Ngoài ra, do tri thức được biểu diễn qua siêu hộp mờ, FMN cũng có khả năng diễn giải tốt trong các bài toán hỗ trợ quyết định [8, 20, 21, 77]. Tuy nhiên, các nghiên cứu hiện có cho thấy FMN vẫn tồn tại những hạn chế như phụ thuộc vào cấu trúc siêu hộp, nguy cơ lan truyền lỗi nhãn trong vùng chồng lấn và sự phụ thuộc mạnh vào chất lượng tập hạt giống ban đầu [17, 18, 19].

Đây chính là khoảng trống nghiên cứu để luận án lựa chọn FMN làm nền tảng phát triển các mô hình FMN-Voting, FMN-SAL và FA-Seed theo hướng nâng cao độ ổn định suy luận nhãn, giảm lan truyền lỗi và cải thiện chất lượng học bán giám sát trong điều kiện nhãn hạn chế. Một phần nội dung tổng quan, phân tích các hướng tiếp cận phân cụm bán giám sát mờ và cơ sở lựa chọn mạng nơron Min-Max mờ làm nền tảng nghiên cứu của luận án đã được tác giả công bố trong công trình [CT1]. Phân cụm bán giám sát dựa trên mạng nơron Min-Max mờ 1. Giới thiệu về mạng nơron Min-Max mờ Mô hình FMN do Patrick K.

Simpson đề xuất cho bài toán phân lớp vào năm 1992 [16] và được mở rộng cho phân cụm vào năm 1993 [76]. FMN được phát triển dựa trên các nguyên lý của FART (Fuzzy Adaptive Resonance Theory) [78] và lý thuyết cộng hưởng thích nghi ART (Adaptive Resonance Theory) [79], cho phép mô hình vừa học ổn định vừa thích nghi với dữ liệu mới. FMN là một mô hình mạng nơron học gia tăng, kết hợp logic mờ, mạng nơron nhân tạo và lý thuyết min-max mờ nhằm giải quyết hiệu quả các bài toán phân lớp và phân cụm. Tri thức trong FMN được biểu diễn dưới dạng các siêu hộp mờ, mỗi siêu hộp xác định một vùng con trong không gian đặc trưng thông qua hai vectơ biên min và max [16, 76].

Mỗi mẫu dữ liệu được phân lớp hoặc phân cụm dựa trên mức độ thuộc của nó đối với các siêu hộp tương ứng, nhờ đó FMN cung cấp các quyết định mềm thay vì ranh giới cứng.2 minh họa về FMN phân dữ liệu thành hai cụm dựa trên phân hoạch không gian dữ liệu thành các siêu hộp. Thuật toán học của FMN dựa trên hai thao tác chính là mở rộng và co lại các siêu hộp để bao phủ dữ liệu huấn luyện, đồng thời hạn chế sự chồng lấn giữa các siêu hộp thuộc các lớp hoặc cụm khác nhau. Nhờ cơ chế học gia tăng, FMN đặc biệt phù 20 hợp với các bộ dữ liệu quy mô lớn và các bài toán dữ liệu động, trong đó mô hình có thể cập nhật tri thức từng bước mà không cần huấn luyện lại toàn bộ.2: Đồ họa minh họa về không gian siêu hộp với hai cụm FMN có cấu trúc và cơ chế hoạt động tương đối đơn giản, không yêu cầu xác định trước số lượng cụm, chỉ cần điều chỉnh một số ít tham số như kích thước tối đa của siêu hộp và tham số mờ.