Tổng quan về luận án

Trong kỷ nguyên số hóa và bùng nổ dữ liệu đa chiều, việc xây dựng các hệ thống hỗ trợ ra quyết định (Decision Support Systems - DSS) đối mặt với thách thức lớn từ các luồng thông tin biến động phi tuyến, mơ hồ và mang đặc tính chu kỳ thời gian rõ rệt. Luận án tiến sĩ ngành Khoa học máy tính (Mã số: 9480101) với đề tài "Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định" do Nghiên cứu sinh Lương Thị Hồng Lan thực hiện dưới sự hướng dẫn khoa học của PGS.TS Lê Hoàng Sơn và PGS.TS Nguyễn Long Giang tại Học viện Khoa học và Công nghệ - Viện Hàn lâm Khoa học và Công nghệ Việt Nam (2021), là công trình tiên phong giải quyết các giới hạn nền tảng của lý thuyết suy diễn mờ truyền thống trên miền số phức.

                  ┌─────────────────────────────────────────────────────────┐
                  │                 HỆ SUY DIỄN MỜ PHỨC (CFIS)              │
                  └────────────────────────────┬────────────────────────────┘
                                               │
               ┌───────────────────────────────┼───────────────────────────────┐
               ▼                               ▼                               ▼
┌─────────────────────────────┐ ┌─────────────────────────────┐ ┌─────────────────────────────┐
│           Chương 2          │ │           Chương 3          │ │           Chương 4          │
│    Mô hình M-CFIS cơ bản    │ │  Mô hình tinh giảm M-CFIS-R │ │    Đồ thị tri thức mờ       │
│  - Toán tử t-chuẩn/đối chuẩn│ │  - Độ đo tương tự mờ phức   │ │    M-CFIS-FKG & FISA        │
│  - Giữ nguyên biên độ & pha │ │  - Tinh giảm luật bằng GrC  │ │  - Mở rộng Sugeno/Tsukamoto │
└─────────────────────────────┘ └─────────────────────────────┘ └─────────────────────────────┘

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tế: mặc dù Tập mờ phức (Complex Fuzzy Set - CFS) đã được giới thiệu nhằm biểu diễn đồng thời biên độ (amplitude) và pha (phase), các hệ suy diễn mờ phức hiện hữu (CFIS) như mô hình của Ramot (2002, 2003) hoặc ANCFIS của Chen và cộng sự (2010) thường tách rời hai thành phần hoặc triệt tiêu pha ở khâu giải mờ (defuzzification). Điều này gây thất thoát thông tin ngữ cảnh có tính định kỳ nghiêm trọng.

Luận án tập trung giải quyết 4 câu hỏi nghiên cứu (Research Questions - RQ) và kiểm chứng 4 giả thuyết (Hypotheses - H):

  • RQ1 / H1: Làm thế nào để thiết lập một khung suy diễn mờ phức dạng Mamdani (M-CFIS) xử lý trọn vẹn cả biên độ và pha qua các toán tử đại số hoàn chỉnh? (H1: Giữ nguyên tính phức xuyên suốt quy trình sẽ tối ưu độ nhạy phân loại).
  • RQ2 / H2: Phương pháp nào giúp giải quyết bài toán bùng nổ luật mờ phức khi số lượng biến tăng cao? (H2: Ứng dụng Tính toán hạt - Granular Computing (GrC) kết hợp độ đo tương tự mờ phức cho phép tinh giản luật mà không làm giảm độ chính xác).
  • RQ3 / H3: Có thể tổng quát hóa mô hình cho các dạng suy diễn khác và nền tảng độ đo nào hỗ trợ điều này? (H3: Xây dựng thành công hệ mờ phức Sugeno S-CFIS-R, Tsukamoto T-CFIS-R và lý thuyết tích phân mờ phức Choquet/Lebesgue).
  • RQ4 / H4: Cơ chế nào tối ưu hóa thời gian suy diễn khi tiếp nhận tập dữ liệu kiểm thử mới (unseen data)? (H4: Mô hình hóa cơ sở luật thành Đồ thị tri thức mờ - Fuzzy Knowledge Graph (FKG) kết hợp thuật toán tìm kiếm suy diễn nhanh FISA giảm thời gian xử lý tới 97%).

Nghiên cứu được kiểm định thực nghiệm trên 5 bộ dữ liệu chuẩn quốc tế từ kho lưu trữ máy học UCI (WBCD: 680 mẫu/9 thuộc tính; Diabetes: 390 mẫu/5 thuộc tính; Wine Quality: 1599 mẫu/11 thuộc tính; Cardiotocography - CTG: 2126 mẫu/19 thuộc tính; Arrhythmia: 452 mẫu/36 thuộc tính) và 1 bộ dữ liệu y tế thực nghiệm gồm 4.156 bệnh nhân men gan từ Bệnh viện Gang Thép và Bệnh viện Đa khoa Thái Nguyên (trong đó có 1.202 ca viêm gan lâm sàng). Kết quả nghiên cứu được bảo chứng bởi các công bố quốc tế uy tín, nổi bật trên IEEE Transactions on Fuzzy Systems (IF = 9.518), IEEE Access (IF = 3.745), và Mathematics (IF = 1.747).

Literature Review và Positioning

Lý thuyết tập mờ (Fuzzy Set - FS) khởi xướng bởi Lotfi A. Zadeh (1965) đã đặt nền móng cho việc mô hình hóa sự bất định trong trí tuệ nhân tạo. Kế thừa nền tảng này, Mamdani (1974, 1977), Takagi-Sugeno (1985) và Tsukamoto (1979) đã phát triển các hệ suy diễn mờ (Fuzzy Inference Systems - FIS), mở ra thời kỳ ứng dụng sâu rộng trong điều khiển tự động và hỗ trợ quyết định y khoa (Miri, 2017; Jain, 2020). Khi kết hợp với mạng nơ-ron, mô hình suy diễn nơ-ron mờ thích nghi (ANFIS) của Jang (1993) đã tạo nên bước đột phá về khả năng tự học tham số từ dữ liệu chuỗi thời gian.

Tuy nhiên, các hệ mờ cổ điển chỉ ánh xạ không gian nền $U$ vào khoảng đóng $[0, 1]$, bất lực trong việc biểu diễn các thông tin có tính chất chu kỳ, pha lặp lại hoặc biến thiên tuần hoàn theo thời gian thực (như nhịp sinh học, chu kỳ kinh tế, sóng điện tim). Bước ngoặt diễn ra khi Ramot và cộng sự (2002, 2003) giới thiệu Tập mờ phức (Complex Fuzzy Set - CFS) và Logic mờ phức (Complex Fuzzy Logic - CFL), mở rộng hàm thuộc sang đường tròn đơn vị trong mặt phẳng phức:

$$\mu_A(x) = r_A(x) \cdot e^{j\omega_A(x)} \quad \text{với } r_A(x) \in [0, 1], \omega_A(x) \in [0, 2\pi]$$

                   TẬP MỜ TRUYỀN THỐNG (Zadeh, 1965)
                         μA(x) ∈ [0, 1]
                               │
            ┌──────────────────┴──────────────────┐
            ▼                                     ▼
   TẬP MỜ MỞ RỘNG (1D)                 TẬP MỜ PHỨC (Ramot, 2002)
   - Trực cảm (Atanassov)              - Biên độ: rA(x) ∈ [0, 1]
   - Bức tranh (Cuong, 2014)           - Pha: ωA(x) ∈ [0, 2π]
            │                                     │
            │                  ┌──────────────────┴──────────────────┐
            ▼                  ▼                                     ▼
    ANFIS (Jang, 1993)   ANCFIS (Chen, 2010)                 MÔ HÌNH LUẬN ÁN (2021)
   - Giá trị thực        - Bỏ qua tích vô hướng phức         - M-CFIS: Giữ nguyên pha
   - Xử lý phi chu kỳ    - RANCFIS / FANCFIS (Dick, 2019)    - M-CFIS-R: GrC tinh giảm luật
                                                             - M-CFIS-FKG: FISA suy diễn nhanh

Mặc dù có tiềm năng toán học lớn, các nghiên cứu quốc tế sau đó gặp phải hai luồng quan điểm và hạn chế kỹ thuật:

  • Luồng 1 (Mô hình trừu tượng): Ramot (2003) đưa ra khung logic mờ phức tổng quát dựa trên suy luận Modus Ponens, nhưng tại khâu giải mờ lại áp dụng quy tắc bỏ qua thành phần pha $\omega_A(x)$ và chỉ giải mờ trên biên độ $r_A(x)$. Trích dẫn từ luận án: "Ví dụ như hệ logic mờ phức của Ramot thì bỏ qua thành phần pha trong giải mờ kết quả đầu ra, làm cho hệ thống không đủ yếu tố khi xử lý với dữ liệu có yếu tố lặp lại hoặc dữ liệu xảy ra định kỳ, và điều này làm giảm đi ý nghĩa của mô hình hệ suy diễn mờ phức, trở thành hệ suy diễn mờ thường".
  • Luồng 2 (Mô hình nơ-ron mờ phức lai ghép): Li và Jang (1996) đề xuất hệ CANFIS nhưng lại tách riêng phần thực và phần ảo bằng hai hàm thuộc mờ loại 1 riêng biệt. Chen và cộng sự (2010) xây dựng kiến trúc ANCFIS, sau đó Yazdanbakhsh và Dick (2018, 2019) tối ưu thành RANCFIS và FANCFIS bằng biến đổi Fourier. Tuy nhiên, ANCFIS lại dùng tích vô hướng véc-tơ thực để tổng hợp, vô tình triệt tiêu tính chất đại số phức của ngõ ra. Luận án chỉ rõ: "Hệ thống ANCFIS không thực sự là hệ thống phức khi đầu ra của hệ thống không thể đại diện cho tính tuần hoàn của các thành phần trong đó".

Định vị của luận án nằm tại điểm giao thoa giữa cấu trúc suy diễn mờ Mamdani chặt chẽ và tính toán mờ phức toàn vẹn, vượt qua hai nghiên cứu quốc tế điển hình nêu trên để thiết lập quy trình tính toán khép kín từ mờ hóa, thực thi luật, gom cụm luật bằng Tính toán hạt (Granular Computing) đến suy diễn đồ thị tri thức mờ (Fuzzy Knowledge Graph).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và hoàn thiện hệ thống lý thuyết mờ phức thông qua 4 đóng góp nền tảng:

                            KHUNG ĐÓNG GÓP LÝ THUYẾT
                                       │
        ┌──────────────────────────────┼──────────────────────────────┐
        ▼                              ▼                              ▼
┌────────────────────────┐   ┌────────────────────────┐   ┌────────────────────────┐
│  Toán tử t-chuẩn &     │   │  Hệ đo tương tự &      │   │  Tích phân mờ phức &   │
│  t-đối chuẩn mờ phức   │   │  Tính toán hạt (GrC)   │   │  Đồ thị tri thức mờ    │
│  - Giao/Hợp biên độ    │   │  - Cosine, Dice,       │   │  - Choquet/Lebesgue    │
│  - Phép cộng/nhân pha  │   │    Jaccard mờ phức     │   │  - Ma trận kề FKG      │
│  - Bổ đề bảo toàn pha  │   │  - Gom cụm luật dư     │   │  - Thuật toán FISA     │
└────────────────────────┘   └────────────────────────┘   └────────────────────────┘

  1. Thiết lập toán tử $t$-norm và $t$-conorm mờ phức nguyên bản: Xây dựng hệ tiên đề cho phép kết hợp các tiền đề mờ phức mà không làm suy biến thông tin pha. Cho hai tập mờ phức $A$ và $B$, phép giao $A \cap B$ và phép hợp $A \cup B$ được định nghĩa:

    $$\mu_{A \cap B}(x) = (r_A(x) \otimes r_B(x)) \cdot e^{j \cdot \omega_{A \cap B}(x)}$$ $$\mu_{A \cup B}(x) = (r_A(x) \oplus r_B(x)) \cdot e^{j \cdot \omega_{A \cup B}(x)}$$

    trong đó các toán tử pha $\omega(x)$ được luận án tối ưu hóa theo các hàm lựa chọn linh hoạt (Sum, Winner-Take-All, Weighted Average, Average).

  2. Hệ đo tương tự mờ phức đa dạng (Complex Fuzzy Similarity Measures): Phát triển các độ đo Cosine mờ phức, Dice mờ phức và Jaccard mờ phức dựa trên không gian metric phức của Azam và cộng sự (2011) kết hợp trật tự từng phần $\le$ trên tập số phức $\mathbb{C}$.

  3. Mô hình toán học cho hệ suy diễn mờ phức đa phong cách: Mở rộng từ Mamdani (M-CFIS) sang Sugeno mờ phức (S-CFIS-R) và Tsukamoto mờ phức (T-CFIS-R), tích hợp giải tích mờ phức thông qua tích phân Choquet và Lebesgue mờ phức trên không gian đo giá trị phức.

  4. Biểu diễn tri thức mờ phức bằng Đồ thị tri thức (Fuzzy Knowledge Graph - FKG): Chuyển đổi toàn bộ quan hệ kéo theo mờ phức $\mu_{A \to B}(x, y) = r_{A \to B}(x, y) \cdot e^{j\omega_{A \to B}(x, y)}$ thành mạng lưới các nút (thuộc tính/nhãn ngôn ngữ) và cạnh (trọng số quan hệ), tạo nên bước dịch chuyển mô hình (paradigm shift) từ suy diễn chuỗi sang suy diễn đồ thị ma trận.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba trụ cột lý thuyết: Lý thuyết tập mờ phức (Ramot) + Tính toán hạt GrC (Pedrycz & Zadeh) + Đồ thị tri thức (Knowledge Graph Embedding).

                          KHUNG PHÂN TÍCH BA TRỤ CỘT
┌────────────────────────┐   ┌────────────────────────┐   ┌────────────────────────┐
│  LÝ THUYẾT TẬP MỜ PHỨC │   │  TÍNH TOÁN HẠT (GrC)   │   │  ĐỒ THỊ TRI THỨC (FKG) │
│     (Ramot, 2002)      │   │   (Pedrycz & Zadeh)    │   │      (Tri thức mờ)     │
└───────────┬────────────┘   └───────────┬────────────┘   └───────────┬────────────┘
            │                            │                            │
            └────────────────────────────┼────────────────────────────┘
                                         ▼
                   ┌───────────────────────────────────────────┐
                   │    MÔ HÌNH HỆ SUY DIỄN TOÀN DIỆN M-CFIS   │
                   │  - M-CFIS: Xử lý dữ liệu định kỳ, thời gian│
                   │  - M-CFIS-R: Tinh giảm luật mờ phức       │
                   │  - M-CFIS-FKG: Suy luận xấp xỉ siêu nhanh │
                   └───────────────────────────────────────────┘

  • Định nghĩa thành phần: Mỗi luật mờ phức $R_k$ thứ $k$ có dạng:

    $$\text{IF } x_1 \text{ is } A_{1k} \text{ AND } x_2 \text{ is } A_{2k} \text{ THEN } z \text{ is } C_k$$

    với các tiền đề và hệ luận đều là các tập mờ phức biểu diễn thuộc tính vật lý (biên độ) và bối cảnh đo lường/chu kỳ (pha).

  • Cơ chế tinh giảm luật (Rule Reduction): Sử dụng GrC để tạo ra các "hạt thông tin mờ phức" (complex fuzzy information granules). Bằng cách tính ma trận độ tương tự giữa các luật, các luật có khoảng cách Euclidean tiêu chuẩn $d_{CF}(R_i, R_j) < \epsilon$ được hợp nhất, loại bỏ triệt để các luật dư thừa hoặc mâu thuẫn.

  • Điều kiện biên (Boundary Conditions): Mô hình duy trì tính bao hàm: khi $\omega(x) \to 0$, toàn bộ hệ thống $M\text{-}CFIS$ suy biến chính xác về hệ suy diễn mờ Mamdani truyền thống, đảm bảo tính tương thích ngược hoàn hảo.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (positivism) kết hợp chủ nghĩa hiện thực phản biện (critical realism). Thiết kế nghiên cứu thuộc dạng định lượng - mô hình hóa toán học kết hợp kiểm định thực nghiệm đa tầng (multi-level experimental design).

                      QUY TRÌNH THỰC NGHIỆM ĐA TẦNG
┌─────────────────────────────────────────────────────────────────────────────┐
│ 1. THU THẬP & CHUẨN HÓA DỮ LIỆU                                             │
│    - 5 Benchmark Datasets (UCI Machine Learning Repository)                 │
│    - 1 Clinical Real Dataset (4.156 bệnh nhân men gan - Thái Nguyên)        │
└──────────────────────────────────────┬──────────────────────────────────────┘
                                       │
                                       ▼
┌─────────────────────────────────────────────────────────────────────────────┐
│ 2. TIỀN XỬ LÝ & MỜ HÓA PHỨC                                                 │
│    - Biên độ: Chuẩn hóa Min-Max trên không gian nền [0, 1]                  │
│    - Pha: Mã hóa chu kỳ/bối cảnh đo lường trong khoảng [0, 2π]              │
└──────────────────────────────────────┬──────────────────────────────────────┘
                                       │
                                       ▼
┌─────────────────────────────────────────────────────────────────────────────┐
│ 3. HAI KỊCH BẢN KIỂM ĐỊNH (SCENARIOS)                                       │
│    - Kịch bản 1: Phân bố nhãn đồng đều giữa Train (70%), Val (15%), Test(15%)│
│    - Kịch bản 2: Stress-test với New Data chứa nhãn mới/hiếm chưa có ở Train │
└──────────────────────────────────────┬──────────────────────────────────────┘
                                       │
                                       ▼
┌─────────────────────────────────────────────────────────────────────────────┐
│ 4. ĐÁNH GIÁ CHỈ SỐ ĐA CHIỀU                                                 │
│    - Accuracy, Precision, Recall, F1-Score, Execution Time (s)              │
└─────────────────────────────────────────────────────────────────────────────┘

Phương pháp tiếp cận bao gồm 2 pha nghiên cứu tương hỗ:

  • Pha 1 (Lý thuyết toán rời rạc & Giải tích phức): Xây dựng cấu trúc giải tích cho các hàm thuộc phức, chứng minh tính đóng của các toán tử $t$-norm/$t$-conorm qua hệ thống bổ đề và định lý toán học.
  • Pha 2 (Khoa học dữ liệu thực nghiệm): Hiện thực hóa thuật toán bằng ngôn ngữ lập trình khoa học, thực thi trên môi trường máy tính hiệu năng cao, phân tích đối chuẩn (benchmarking) với các hệ suy diễn mờ kinh điển và hiện đại.

Quy trình nghiên cứu rigorous

Quy trình dữ liệu được thiết kế nhằm đảm bảo độ tin cậy (reliability) và giá trị xây dựng (construct validity):

  • Phác đồ thu thập dữ liệu y tế: Thu thập hồi cứu từ 4.156 bệnh nhân tại Bệnh viện Gang Thép và Bệnh viện Đa khoa Thái Nguyên. Dữ liệu trích xuất từ các xét nghiệm sinh hóa máu và huyết học tiêu chuẩn (tiêu chuẩn vàng chẩn đoán viêm gan theo mô bệnh học của Faa et al., 2003): Tuổi, Giới tính, AST, ALT, GGT, Albumin, Total Bilirubin (TB), Direct Bilirubin (DB), Tỷ số DB/TB.
  • Chiến lược phân chia mẫu: Áp dụng phương pháp $k$-fold cross-validation ($k=10$) trên tập dữ liệu chuẩn UCI và dữ liệu thực tế, chia thành: Tập huấn luyện (Training Set), Tập kiểm định (Validation Set), Tập kiểm thử (Testing Set), và bổ sung Tập dữ liệu mới (New Data Set).
  • Kiểm định hai kịch bản độc lập:
    • Kịch bản 1: Đánh giá hiệu năng tổng thể trên các tập dữ liệu có phân bố nhãn đồng đều giữa các giai đoạn Training và Testing.
    • Kịch bản 2: Kiểm thử năng lực suy luận xấp xỉ khi kích thước tập New Data lớn vượt trội và chứa các nhãn phân loại hoàn toàn không xuất hiện (hoặc xuất hiện cực hiếm) trong tập Training.
                    QUY TRÌNH SUY DIỄN NHANH VỚI FISA & FKG
┌─────────────────────────┐      ┌─────────────────────────┐      ┌─────────────────────────┐
│   TẬP LUẬT MỜ PHỨC      │ ───► │  ĐỒ THỊ TRI THỨC MỜ     │ ───► │  MA TRẬN KỀ ĐỒ THỊ      │
│   (Sau khi tinh giảm)   │      │  (Fuzzy Knowledge Graph)│      │  (Adjacency Matrix)     │
└─────────────────────────┘      └─────────────────────────┘      └────────────┬────────────┘
                                                                               │
┌─────────────────────────┐      ┌─────────────────────────┐                   │
│   KẾT QUẢ PHÂN LOẠI     │ ◄─── │  THUẬT TOÁN FISA        │ ◄─────────────────┘
│   (Gán nhãn Max-Min)    │      │  (So khớp xấp xỉ nhanh) │
└─────────────────────────┘      └─────────────────────────┘

Data và phân tích

Đặc tính thống kê chi tiết của các tập dữ liệu thực nghiệm:

  • WBCD (Ung thư vú): 680 bản ghi hợp lệ, 9 thuộc tính số nguyên (độ dày khối u, kích thước tế bào đồng nhất, v.v.), 2 nhãn phân loại (lành tính: 444 mẫu, ác tính: 236 mẫu).
  • Diabetes (Đái tháo đường): 390 bản ghi từ người Mỹ gốc Phi, 5 thuộc tính liên tục (đường huyết, huyết áp, BMI, v.v.), 2 nhãn (mắc bệnh / không mắc bệnh).
  • Wine Quality (Chất lượng rượu): 1.599 bản ghi, 11 thuộc tính hóa lý (nồng độ cồn, độ axit bay hơi, sulfat, v.v.), 6 mức thang điểm chất lượng.
  • Cardiotocography (CTG - Tim thai): 2.126 bản ghi số hóa từ biểu đồ tim thai, 19 thuộc tính chẩn đoán xung nhịp, 10 lớp hình thái học thai nhi.
  • Arrhythmia (Rối loạn nhịp tim): 452 bản ghi điện tâm đồ đa kênh, 36 thuộc tính chọn lọc, 13 lớp bệnh lý tim mạch phức tạp.
  • Liver Dataset (Thực tế): 4.156 bệnh nhân men gan cao, 9 thuộc tính sinh hóa máu; 1.202 mẫu dương tính viêm gan lâm sàng (28.92%).

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm của luận án đã chứng minh sự vượt trội vượt bậc của hệ suy diễn mờ phức đề xuất trên cả độ chính xác (Accuracy) và thời gian tính toán (Execution Time):

+-------------------------------------------------------------------------------+
|                      BẢNG TỔNG HỢP HIỆU NĂNG THỰC NGHIỆM                      |
+--------------------+--------------+---------------+-------------+-------------+
| Dataset            | Mẫu / Nhãn   | M-CFIS-R (Acc)| M-CFIS-FKG  | Δ Time (s)  |
|                    |              |               | (Acc)       | Tiết kiệm   |
+--------------------+--------------+---------------+-------------+-------------+
| WBCD (Ung thư vú)  | 680 / 2      | ~96.5%        | ~95.8%      | Giảm ~60%   |
| Diabetes (Tiểu đ.) | 390 / 2      | 76.43%        | 74.43%      | Giảm 56.7%  |
| Liver (Bệnh gan)   | 4.156 / 2    | 82.15%        | 81.01%      | Giảm 33.56% |
| Wine (Chất lượng)  | 1.599 / 6    | 68.40%        | 68.03%      | Giảm >70%   |
| CTG (Tim thai)     | 2.126 / 10   | 78.90%        | 77.63%      | Giảm >70%   |
| Arrhythmia (Tim)   | 452 / 13     | 62.10%        | 64.04%*     | Giảm >75%   |
+--------------------+--------------+---------------+-------------+-------------+
(*): Đột phá M-CFIS-FKG vượt M-CFIS-R +1.94% Accuracy trên dữ liệu đa nhãn mới
  • Phát hiện 1 (Tính toàn vẹn của Pha tối ưu hóa độ chính xác chẩn đoán): Mô hình $M\text{-}CFIS$ và $M\text{-}CFIS\text{-}R$ bảo tồn pha giúp tăng độ chính xác phân loại từ 3.2% đến 6.8% so với các hệ Mamdani cổ điển và ANFIS trên các bộ dữ liệu có yếu tố biến thiên định kỳ (như chỉ số men gan và tín hiệu CTG).
  • Phát hiện 2 (Hiệu quả vượt trội của GrC trong tinh giản cơ sở luật): Việc ứng dụng độ đo tương tự mờ phức kết hợp Tính toán hạt trong mô hình $M\text{-}CFIS\text{-}R$ đã giảm từ 40% đến 65% số lượng luật mờ dư thừa mà vẫn duy trì hoặc tăng nhẹ độ chính xác phân loại (trên WBCD đạt ~96.5% accuracy).
  • Phát hiện 3 (Đột phá về tốc độ suy diễn với FKG và FISA): Việc chuyển đổi luật mờ sang Đồ thị tri thức mờ kết hợp thuật toán FISA trong mô hình $M\text{-}CFIS\text{-}FKG$ giúp giảm thời gian tính toán ngoạn mục. Trích dẫn số liệu thực nghiệm: "Trên bộ dữ liệu Diabetes ở kịch bản hai, thời gian thực thi của M-CFIS-R cao gấp 2.31 lần so với M-CFIS-FKG trong khi độ chính xác gần như tương đương (76.43% đối với M-CFIS-R và 74.43% đối với M-CFIS-FKG)". Tổng thể trên các tác vụ suy diễn kiểm thử lớn, thời gian tính toán trung bình giảm tới ~97% so với phương pháp đối sánh tuần tự.
  • Phát hiện 4 (Năng lực suy luận xấp xỉ trên dữ liệu chưa từng thấy - Unseen Data): Trích dẫn trực tiếp từ văn bản luận án đối với bộ dữ liệu phức tạp Arrhythmia: "Trong trường hợp này thì độ chính xác của mô hình M-CFIS-FKG cao hơn M-CFIS-R (khoảng 1.94%) trong khi thời gian thực hiện giảm đi... Điều đó có nghĩa là mô hình đề xuất M-CFIS-FKG thực sự hiệu quả trong việc suy luận trong trường hợp có nhiều thông tin mới không sẵn có trong bộ dữ liệu Training và thậm chí cả trong quá trình Testing".

Implications đa chiều

                         HỆ THỐNG HỆ QUẢ ĐA CHIỀU
                                    │
    ┌───────────────────────────────┼───────────────────────────────┐
    ▼                               ▼                               ▼
┌───────────────────────┐ ┌───────────────────────┐ ┌───────────────────────┐
│ IMPLICATIONS LÝ THUYẾT│ │ IMPLICATIONS KỸ THUẬT │ │ IMPLICATIONS THỰC TIỄN│
│ - Chuẩn hóa toán tử   │ │ - Giảm tải tính toán  │ │ - Chẩn đoán sớm y tế  │
│   t-norm/conorm phức  │ │   phần cứng nhúng     │ │ - Kiểm soát rủi ro    │
│ - Hợp nhất GrC và FKG │ │ - Suy luận xấp xỉ dữ  │ │   tài chính, chuỗi cung │
│   trong không gian mờ │ │   liệu đa nhãn thời   │ │   ứng và cảnh báo     │
│   phức tổng quát      │ │   gian thực           │ │   thiên tai thời tiết │
└───────────────────────┘ └───────────────────────┘ └───────────────────────┘
  • Về mặt Lý thuyết: Luận án hoàn thiện mảnh ghép còn khuyết của lý thuyết Logic mờ phức (CFL), chứng minh rằng việc bảo tồn nguyên vẹn cấu trúc pha hình học là điều kiện tiên quyết để mô hình hóa sự bất định có quy luật thời gian.
  • Về mặt Phương pháp luận: Cung cấp khung phương pháp luận mới (Methodological Framework) tích hợp giữa biểu diễn tri thức đồ thị và lý thuyết tập mờ, có khả năng chuyển giao cho các lĩnh vực xử lý ngôn ngữ tự nhiên, thị giác máy tính và học biểu diễn (representation learning).
  • Về mặt Thực tiễn y tế & Công nghệ: Cung cấp công cụ hỗ trợ bác sĩ sàng lọc sớm bệnh nhân viêm gan dựa trên bộ chỉ số men gan định kỳ với độ tin cậy cao, loại bỏ sự phụ thuộc vào các can thiệp xâm lấn không cần thiết.

Limitations và Future Research

Nhìn nhận một cách khách quan theo chuẩn mực học thuật quốc tế, luận án chỉ rõ các giới hạn nội tại:

  • Giới hạn về mô hình hóa không gian: Luận án mới chỉ tập trung vào yếu tố chu kỳ thời gian đơn hướng, chưa kết hợp đồng thời tương tác không - thời gian phức tạp (spatio-temporal dynamics).
  • Phạm vi kiểm thử dữ liệu: Mới thực nghiệm trên dữ liệu bảng (tabular numerical data), chưa triển khai trực tiếp trên dữ liệu phi cấu trúc quy mô lớn như hình ảnh y tế DICOM độ phân giải cao hoặc dữ liệu chuỗi gen (genomics).
  • Cơ chế học luật: Hệ luật khởi tạo còn dựa trên trích xuất trực tiếp từ mẫu dữ liệu thô, chưa tích hợp các cơ chế tối ưu toàn cục như giải thuật di truyền đa mục tiêu (NSGA-III) hoặc học tăng cường sâu (Deep Reinforcement Learning).
                      ĐỊNH HƯỚNG NGHIÊN CỨU TƯƠNG LAI
┌─────────────────────────┐      ┌─────────────────────────┐      ┌─────────────────────────┐
│     HỌC CHUYỂN GIAO     │      │   MỜ PHỨC ĐA CHIỀU      │      │    HỆ TRIỂN KHAI        │
│  - Transfer Learning    │ ───► │  - Spatio-temporal data │ ───► │  - Edge AI / Y tế nhúng │
│  - Federated Learning   │      │  - Quaternion Fuzzy Sets│      │  - Dự báo bão & khí tượng│
└─────────────────────────┘      └─────────────────────────┘      └─────────────────────────┘

Chương trình nghiên cứu tiếp nối định hình 5 hướng chiến lược:

  1. Nghiên cứu toán tử hợp thành mờ phức cấp cao và mở rộng sang không gian số siêu phức (Quaternion/Octonion Fuzzy Sets).
  2. Ứng dụng Học chuyển giao (Transfer Learning) và Học cộng tác (Federated Learning) để tối ưu hóa quá trình tinh giảm luật mờ phân tán.
  3. Mở rộng cấu trúc Đồ thị tri thức mờ động (Dynamic Temporal Fuzzy Knowledge Graph) tự thích nghi với luồng dữ liệu trôi dạt (concept drift).
  4. Kiểm thử trên các miền bài toán chuyên biệt quy mô lớn: dự báo bão, mô hình hóa động lực học thị trường chứng khoán và lưới điện thông minh (Smart Grids).
  5. Nhúng các module suy diễn $M\text{-}CFIS\text{-}FKG$ vào vi xử lý biên chuyên dụng (Edge AI Hardware).

Tác động và ảnh hưởng

                           BẢNG MA TRẬN ẢNH HƯỞNG
┌──────────────────────────────────────┬──────────────────────────────────────┐
│ HỌC THUẬT & HỆ TRÍCH DẪN             │ CÔNG NGHIỆP & CHUYỂN GIAO            │
│ - Công bố: IEEE TFS (IF=9.518),      │ - Y tế thông minh: HIS/LIS chẩn đoán │
│   IEEE Access, Mathematics.          │   viêm gan, xơ gan tự động.          │
│ - Tạo tiền đề cho trích dẫn quốc tế  │ - Tài chính: Phân tích rủi ro tín    │
│   về Soft Computing & Complex Fuzzy. │   dụng, dự báo thị trường định kỳ.   │
├──────────────────────────────────────┼──────────────────────────────────────┤
│ CHÍNH SÁCH Y TẾ CỘNG ĐỒNG            │ XÃ HỘI & PHÁT TRIỂN BỀN VỮNG         │
│ - Đề xuất quy trình chuẩn hóa dữ     │ - Giảm chi phí y tế cho bệnh nhân.   │
│   liệu sinh hóa gan tại bệnh viện.   │ - Nâng cao năng lực khám bệnh tại    │
│ - Tối ưu hóa phân luồng điều trị.    │   các bệnh viện tuyến tỉnh, cơ sở.   │
└──────────────────────────────────────┴──────────────────────────────────────┘
  • Giá trị học thuật quốc tế: Các bài báo thuộc luận án đã được công bố trên các tạp chí nhóm Q1/SCIE hàng đầu, mở ra hướng nghiên cứu mới về tích hợp biểu diễn đồ thị tri thức trong không gian mờ phức.
  • Tác động công nghiệp và chuyển giao công nghệ: Cung cấp thuật toán cốt lõi cho các hệ thống phần mềm quản lý bệnh viện thông minh (HIS/LIS), cho phép cảnh báo sớm biến chứng suy gan cấp với độ nhạy cao.
  • Lợi ích xã hội định lượng: Ứng dụng mô hình tại Bệnh viện Gang Thép Thái Nguyên chứng minh tiềm năng giảm tải 15-20% chi phí xét nghiệm chuyên sâu không cần thiết cho các bệnh nhân có chẩn đoán men gan giai đoạn đầu.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------+
|                       PHÂN TẦNG ĐỐI TƯỢNG HƯỞNG LỢI                           |
+--------------------------+----------------------------------------------------+
| Nhóm đối tượng           | Lợi ích học thuật / Thực tiễn tiếp nhận            |
+--------------------------+----------------------------------------------------+
| Nghiên cứu sinh (PhD)    | Tiếp cận hệ thống toán tử mờ phức chuẩn hóa; gợi mở|
| & Nhà khoa học trẻ       | các research gaps về GrC và Dynamic Knowledge Graph|
+--------------------------+----------------------------------------------------+
| Giáo sư / Chuyên gia     | Khung lý thuyết vững chắc về giải tích mờ phức,    |
| AI & Soft Computing      | tích phân Choquet/Lebesgue mờ phức để phát triển   |
+--------------------------+----------------------------------------------------+
| Kỹ sư R&D Công nghệ      | Thuật toán suy diễn nhanh FISA trên đồ thị FKG,    |
| & Doanh nghiệp MedTech   | tối ưu hóa cho hệ thống AI thời gian thực          |
+--------------------------+----------------------------------------------------+
| Bác sĩ & Nhà quản lý     | Hệ hỗ trợ ra quyết định lâm sàng khách quan, tin   |
| Bệnh viện / Y tế công    | cậy; hỗ trợ phân loại 4.156 ca bệnh gan chuẩn hóa  |
+--------------------------+----------------------------------------------------+

Câu hỏi chuyên sâu

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

Đóng góp lý thuyết độc đáo nhất là việc thiết lập Hệ suy diễn mờ phức Mamdani toàn diện ($M\text{-}CFIS$) kế thừa và bảo toàn đồng thời thành phần biên độ ($r$) và pha ($\omega$) qua toàn bộ chu trình suy luận. Luận án mở rộng trực tiếp Lý thuyết Logic mờ phức của Ramot (2003) và bổ khuyết cho hạn chế của hệ mờ Mamdani truyền thống (1974), khắc phục triệt để việc mất mát pha trong giải mờ.

2. Sự đổi mới trong phương pháp nghiên cứu khi so sánh với các công trình quốc tế tiền nhiệm?

So với mô hình $ANCFIS$ của Chen et al. (2010) (dùng tích vô hướng thực làm mất tính chất phức) và $CANFIS$ của Li & Jang (1996) (tách biến thực/ảo làm nhân đôi số lượng luật), luận án tích hợp Tính toán hạt ($GrC$) với độ đo tương tự mờ phức để tinh giảm cơ sở luật ($M\text{-}CFIS\text{-}R$), sau đó nhúng vào Đồ thị tri thức mờ ($FKG$) với thuật toán $FISA$ ($M\text{-}CFIS\text{-}FKG$), tạo nên cấu trúc tính toán tối ưu vượt trội.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và có bằng chứng định lượng ra sao?

Phát hiện bất ngờ nhất là mô hình $M\text{-}CFIS\text{-}FKG$ không những giảm tới 97% thời gian suy diễn mà trên tập dữ liệu đa nhãn phức tạp Arrhythmia ở kịch bản kiểm thử khắc nghiệt (nhiều nhãn mới chưa từng có ở tập huấn luyện), độ chính xác của $M\text{-}CFIS\text{-}FKG$ lại cao hơn $M\text{-}CFIS\text{-}R$ 1.94% (đạt 64.04% so với 62.10%). Điều này chứng minh cấu trúc đồ thị ma trận kề có năng lực khái quát hóa suy luận xấp xỉ vượt xa việc so khớp luật phẳng truyền thống.

4. Giao thức tái lập thực nghiệm (Replication Protocol) có được cung cấp đầy đủ không?

Có. Luận án mô tả chi tiết công thức toán học của các toán tử $t$-norm/conorm, các độ đo khoảng cách Hamming, Euclidean chuẩn hóa, các bảng thuộc tính tiền xử lý trên 5 tập benchmark UCI và bộ dữ liệu y tế 4.156 bệnh nhân men gan với các ngưỡng cắt lâm sàng rõ ràng ($AST, ALT, GGT, TB, DB$).

5. Chương trình nghiên cứu 10 năm tới được phác thảo như thế nào?

Lộ trình 10 năm được định hình qua 3 giai đoạn: (1) Hoàn thiện lý thuyết đại số trên không gian mờ siêu phức; (2) Tích hợp mô hình đồ thị tri thức mờ động với các kiến trúc học sâu (Deep Graph Neural Networks); (3) Chuẩn hóa và thương mại hóa hệ thống AI nhúng chẩn đoán đa bệnh lý thời gian thực cho mạng lưới y tế thông minh.

Kết luận

Luận án tiến sĩ của NCS. Lương Thị Hồng Lan đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra với 5 kết quả đóng góp cốt lõi:

  1. Đề xuất hệ toán tử $t$-norm và $t$-conorm mờ phức nguyên bản, cung cấp công cụ đại số hoàn chỉnh cho tính toán mờ phức.
  2. Xây dựng thành công Hệ suy diễn mờ phức Mamdani ($M\text{-}CFIS$), giải quyết bài toán suy diễn trên dữ liệu chu kỳ có yếu tố bổ trợ mà không làm mất mát pha.
  3. Phát triển mô hình tinh giảm luật $M\text{-}CFIS\text{-}R$ dựa trên sự kết hợp độc đáo giữa độ đo tương tự mờ phức (Cosine, Dice, Jaccard) và Tính toán hạt (Granular Computing), tối ưu hóa độ gọn của hệ tri thức.
  4. Mở rộng lý thuyết sang hệ Sugeno ($S\text{-}CFIS\text{-}R$), Tsukamoto ($T\text{-}CFIS\text{-}R$) cùng hệ thống độ đo mờ phức và tích phân mờ phức Choquet/Lebesgue trên nền tảng tập hợp.
  5. Kiến tạo mô hình $M\text{-}CFIS\text{-}FKG$ dựa trên Đồ thị tri thức mờ và thuật toán suy diễn nhanh $FISA$, cắt giảm tới 97% thời gian xử lý và nâng cao năng lực suy luận xấp xỉ trên dữ liệu mới.

Công trình tạo nên một bước tiến quan trọng trong chuyên ngành Khoa học máy tính, mở ra 3 nhánh nghiên cứu triển vọng: Đồ thị tri thức mờ phức động, Học chuyển giao mờ phức, và AI hỗ trợ quyết định y tế thời gian thực. Với các ấn phẩm quốc tế đỉnh cao trên IEEE Transactions on Fuzzy Systems, luận án đã khẳng định vị thế học thuật vững chắc, mang lại giá trị thực tiễn to lớn cho cộng đồng khoa học và xã hội.