I. Tổng Quan Hệ Học Chuyển Giao Mờ Phức Giới Thiệu Vai Trò
Học chuyển giao (TL) là một kỹ thuật quan trọng trong học máy và trí tuệ nhân tạo. Nó cho phép sử dụng tri thức đã học được từ một nhiệm vụ (miền nguồn) để cải thiện hiệu suất học tập trong một nhiệm vụ khác (miền mục tiêu). Điều này đặc biệt hữu ích khi miền mục tiêu có ít dữ liệu hoặc tài nguyên. Hệ học chuyển giao mờ phức (CFTL) kết hợp TL với lý thuyết mờ phức để xử lý dữ liệu không chắc chắn và mơ hồ. Việc này giúp hệ thống suy diễn chính xác hơn trong môi trường phức tạp. Sự kết hợp này mở ra nhiều cơ hội trong việc xây dựng các hệ thống thông minh, đặc biệt là trong các bài toán có yếu tố chu kỳ và tần suất trong dữ liệu. Các nghiên cứu gần đây đã chứng minh hiệu quả của CFTL trong nhiều lĩnh vực, nhưng vẫn còn nhiều thách thức cần giải quyết. Các nghiên cứu về hệ suy diễn mờ phức điển hình nhất xử lý dữ liệu có yếu tố chu kỳ trong các hệ thống tri thức.
1.1. Ứng dụng của học chuyển giao trong thực tế
Học chuyển giao đã đạt được nhiều thành công ấn tượng trong các lĩnh vực như phân loại văn bản, xử lý ảnh, chẩn đoán y tế, phát hiện đối tượng và nhận diện hành vi. Ví dụ, trong chẩn đoán y tế, TL có thể giúp cải thiện độ chính xác của việc phát hiện bệnh dựa trên dữ liệu hình ảnh y tế. Trong lĩnh vực tài chính, TL có thể được sử dụng để dự báo thị trường chứng khoán. Việc áp dụng TL không chỉ giúp cải thiện hiệu suất mà còn giảm thiểu thời gian và chi phí cần thiết để xây dựng các mô hình học máy mới. Kỹ thuật học chuyển giao được áp dụng trong học máy và trí tuệ nhân tạo đã mang lại hiệu suất tốt hơn trong những tình huống thiếu hụt về dữ liệu và tri thức [8]–[11].
1.2. Giới thiệu về hệ suy diễn mờ phức CFIS
Hệ suy diễn mờ phức (CFIS) là một mở rộng của hệ suy diễn mờ (FIS) truyền thống, được thiết kế để xử lý dữ liệu có tính chất không chắc chắn, mơ hồ, chu kỳ và tần suất. CFIS sử dụng tập mờ phức (CFS) để biểu diễn thông tin, cho phép mô hình hóa các hiện tượng có tính thời gian và chu kỳ. Các nghiên cứu như mô hình ANCFIS (Hệ thống suy luận mờ phức thần kinh thích nghi) [2] và các đề xuất mở rộng ANCFIS-ELM, FANCFIS [3], [4] là sự kết hợp của hệ thống mờ phức với mạng nơ-ron. Hệ suy diễn mờ phức Mamdani (M-CFIS) [5] là một ví dụ điển hình, với cấu trúc suy luận dựa trên tập mờ phức, ứng dụng cho hệ hỗ trợ ra quyết định.
II. Thách Thức Của Hệ Học Chuyển Giao Mờ Phức Hiện Tại
Mặc dù đã có nhiều tiến bộ, nhưng vẫn còn nhiều thách thức trong việc áp dụng hệ học chuyển giao mờ phức. Một trong những vấn đề chính là khả năng thích ứng kém của các mô hình hiện tại khi xử lý thông tin phức tạp và mối quan hệ dữ liệu thay đổi theo thời gian. Mô hình M-CFIS, mặc dù mạnh mẽ trong xử lý dữ liệu không chắc chắn và chu kỳ, nhưng lại gặp hạn chế về thời gian xử lý do thành phần pha sinh ra khi mô tả các yếu tố chu kỳ. Hơn nữa, việc xây dựng mô hình M-CFIS theo phương pháp cập nhật luật truyền thống trở nên không khả thi khi dữ liệu ngày càng nhiều và được cập nhật liên tục. Chính vì sự gia tăng về độ phức tạp của dữ liệu nên tác động khá nhiều tới chất lượng của quá trình suy diễn.
2.1. Hạn chế về thời gian xử lý trong CFIS
Việc sử dụng thành phần pha để biểu diễn các yếu tố chu kỳ và tần suất trong dữ liệu làm tăng đáng kể thời gian xử lý của CFIS. Điều này đặc biệt đúng khi kích thước dữ liệu lớn. Các thuật toán suy diễn mờ phức cần phải xử lý nhiều phép toán phức tạp, bao gồm tính toán độ thuộc và kết hợp các luật mờ. Do đó, việc tối ưu hóa thời gian xử lý là một vấn đề quan trọng cần được giải quyết. Khả năng xử lý dữ liệu có yếu tố không chắc chắn mang tính chu kỳ và tần suất của hệ M-CFIS đã làm cho nó bị hạn chế về mặt thời gian xử lý.
2.2. Thiếu các nghiên cứu về FTL trên tập mờ phức
Hầu hết các hệ thống học chuyển giao mờ (FTL) hiện tại chỉ tập trung vào việc kết hợp kỹ thuật TL với logic mờ truyền thống. Rất ít nghiên cứu về FTL trên tập mờ mở rộng, đặc biệt là tập mờ phức. Điều này hạn chế khả năng khai thác tối đa tiềm năng của TL trong việc giải quyết các bài toán có tính chất mờ hồ, không chắc chắn và chu kỳ. Trong các nghiên cứu gần đây, có rất ít và thậm chí không có nghiên cứu về FTL trên tập mờ mở rộng, đặc biệt là tập mờ phức.
III. Đề Xuất Mô Hình Học Chuyển Giao Dựa Trên M CFIS
Để giải quyết những thách thức trên, cần thiết kế một mô hình học chuyển giao dựa trên hệ suy diễn mờ phức Mamdani (M-CFIS) nhằm tận dụng tri thức đã có từ miền nguồn và giảm thiểu thời gian xây dựng hệ suy diễn cho miền mục tiêu. Mô hình này cần có khả năng thích ứng nhanh chóng với dữ liệu mới và xử lý hiệu quả các yếu tố không chắc chắn và chu kỳ. Việc tái sử dụng tri thức từ miền nguồn, thông qua kỹ thuật học chuyển giao và cơ chế suy diễn của CFIS, hứa hẹn giảm thời gian xây dựng hệ CFIS cho miền đích. Mô hình đề xuất bao gồm các giai đoạn 1) lựa chọn dữ liệu thích nghi của miền đích, 2) hiệu chỉnh miền đầu vào, 3) thích nghi luật và 4) tổng hợp luật.
3.1. Lựa chọn dữ liệu thích nghi từ miền đích
Giai đoạn đầu tiên của mô hình là lựa chọn dữ liệu thích nghi từ miền đích. Dữ liệu này được sử dụng để điều chỉnh mô hình đã học từ miền nguồn sao cho phù hợp với đặc điểm của miền đích. Quá trình lựa chọn cần đảm bảo rằng dữ liệu được chọn có tính đại diện cao và phản ánh đúng phân phối của miền đích. Việc lựa chọn dữ liệu thích nghi của miền đích được thực hiện.
3.2. Hiệu chỉnh miền đầu vào cho M CFIS
Sau khi chọn được dữ liệu thích nghi, bước tiếp theo là hiệu chỉnh miền đầu vào của M-CFIS. Điều này bao gồm việc điều chỉnh các hàm thuộc và các tham số khác của hệ thống mờ để phù hợp với dữ liệu mới. Mục tiêu là đảm bảo rằng hệ thống mờ có thể biểu diễn chính xác thông tin trong miền đích. Mô hình học chuyển giao được đề xuất thực hiện tái sử dụng các tri thức thu được từ CFIS của một miền có liên quan (gọi miền nguồn).
IV. Cấu Trúc CFRG Biểu Diễn Tri Thức Hiệu Quả Trong CFTL
Để cải thiện hiệu suất suy diễn và hỗ trợ chuyển giao kiến thức nhanh chóng, luận án đề xuất sử dụng cấu trúc CFRG (Complex Fuzzy Rule Graph) để biểu diễn tri thức (luật mờ phức). CFRG là một cấu trúc đồ thị cho phép biểu diễn các luật mờ phức và mối quan hệ giữa chúng một cách hiệu quả. Cấu trúc này hỗ trợ các thuật toán suy diễn nhanh chóng và linh hoạt, đồng thời cho phép hợp nhất và chuyển giao các luật mờ một cách dễ dàng. Kỹ thuật học chuyển giao lại có khả năng giảm thiểu thời gian học tập.
4.1. Thuật toán suy diễn nhanh trên CFRG
Cấu trúc CFRG cho phép triển khai các thuật toán suy diễn nhanh chóng bằng cách tận dụng mối quan hệ giữa các luật mờ. Thay vì phải duyệt qua toàn bộ tập luật, thuật toán suy diễn có thể tập trung vào các luật liên quan trực tiếp đến đầu vào hiện tại. Điều này giúp giảm đáng kể thời gian suy diễn, đặc biệt là trong các hệ thống lớn và phức tạp. Cấu trúc đồ thị biểu diễn luật mờ phức cho việc hợp nhất, suy diễn trong quá trình thích nghi luật trên hệ học chuyển giao mờ phức.
4.2. Hợp nhất và chuyển giao luật trên CFRG
Cấu trúc CFRG cũng hỗ trợ hợp nhất và chuyển giao các luật mờ một cách hiệu quả. Các luật mờ từ miền nguồn có thể được thêm vào CFRG của miền đích một cách dễ dàng, và các luật không phù hợp có thể được loại bỏ hoặc điều chỉnh. Điều này cho phép tận dụng tối đa tri thức đã có và giảm thiểu thời gian cần thiết để xây dựng hệ suy diễn cho miền đích. Nghiên cứu cấu trúc đồ thị biểu diễn luật mờ phức cho việc hợp nhất, suy diễn trong quá trình thích nghi luật trên hệ học chuyển giao mờ phức.
V. Ứng Dụng Kết Quả Nghiên Cứu Thực Nghiệm CFRGTL
Để chứng minh tính hiệu quả của mô hình CFRGTL (Complex Fuzzy Rule Graph Transfer Learning), các thử nghiệm thực nghiệm đã được thực hiện trên các bộ dữ liệu chuẩn từ kho UCI và dữ liệu thực tế. Kết quả cho thấy mô hình đề xuất cải thiện đáng kể thời gian xây dựng hệ suy diễn mờ phức và thời gian suy diễn. Các kết quả thực nghiệm cho thấy khả năng cải thiện về mặt thời gian khi xây dựng hệ suy diễn mờ phức cho miền đích.
5.1. Cải thiện thời gian xây dựng hệ suy diễn
Kết quả thực nghiệm cho thấy mô hình CFRGTL giảm đáng kể thời gian cần thiết để xây dựng hệ suy diễn mờ phức cho miền đích. Điều này là do mô hình tận dụng tri thức đã có từ miền nguồn và giảm thiểu số lượng luật cần phải học từ đầu. Các mô hình và thuật toán đề xuất được cài đặt, chạy thử nghiệm, so sánh, đánh giá với mô hình tương ứng theo phương pháp truyền thống trên tập dữ liệu mẫu từ kho dữ liệu UCI.
5.2. Kết quả suy diễn nhanh chóng và chính xác
Mô hình CFRGTL cũng cho thấy hiệu suất suy diễn nhanh chóng và chính xác. Cấu trúc CFRG cho phép tìm kiếm và kết hợp các luật mờ một cách hiệu quả, giúp giảm thời gian suy diễn mà vẫn đảm bảo độ chính xác cao. Các kết quả lý thuyết và thực nghiệm cho thấy khả năng cải thiện về mặt thời gian khi xây dựng hệ suy diễn mờ phức cho miền đích.
VI. Kết Luận Hướng Phát Triển Cho Nghiên Cứu Tương Lai
Luận án đã đề xuất một mô hình học chuyển giao dựa trên hệ suy diễn mờ phức Mamdani (M-CFIS) và cấu trúc CFRG để giải quyết vấn đề thời gian xử lý trong các hệ thống suy diễn mờ phức. Kết quả thực nghiệm chứng minh tính hiệu quả của mô hình trong việc giảm thời gian xây dựng hệ suy diễn và thời gian suy diễn. Trong tương lai, có thể nghiên cứu mở rộng mô hình CFRGTL để xử lý các bài toán phức tạp hơn, với số lượng thuộc tính lớn và dữ liệu không chắc chắn cao.Luận án này đặt ra nhiệm vụ Nghiên cứu là giải quyết hạn chế của hệ suy diễn mờ phức về mặt thời gian (hoàn thiện các nghiên cứu về hệ suy diễn mờ phức) dựa trên kỹ thuật học chuyển giao.
6.1. Mở rộng CFRGTL cho bài toán phức tạp
Có thể nghiên cứu mở rộng mô hình CFRGTL để xử lý các bài toán phức tạp hơn, với số lượng thuộc tính lớn và dữ liệu không chắc chắn cao. Điều này có thể bao gồm việc phát triển các thuật toán học sâu để tự động trích xuất các đặc trưng quan trọng từ dữ liệu, và việc sử dụng các kỹ thuật tối ưu hóa để cải thiện hiệu suất suy diễn. Trong tương lai, có thể nghiên cứu mở rộng mô hình CFRGTL để xử lý các bài toán phức tạp hơn, với số lượng thuộc tính lớn và dữ liệu không chắc chắn cao.
6.2. Nghiên cứu ứng dụng CFRGTL trong các lĩnh vực khác
Mô hình CFRGTL có thể được áp dụng trong nhiều lĩnh vực khác nhau, chẳng hạn như chẩn đoán y tế, điều khiển tự động, và dự báo tài chính. Việc nghiên cứu các ứng dụng cụ thể sẽ giúp khám phá thêm tiềm năng của mô hình và cải thiện hiệu quả của nó trong các tình huống thực tế.Luận án cũng là món quà tinh thần mà tác giả trân trọng gửi đến tất cả thành viên trong gia đình.
