Tổng quan về luận án

Trong kỷ nguyên bùng nổ dữ liệu lớn (Big Data) và trí tuệ nhân tạo (AI), các hệ thống ra quyết định tự động phải đối mặt với những luồng dữ liệu không chỉ gia tăng vượt bậc về quy mô mà còn chứa đựng tính bất định sâu sắc, sự mơ hồ (vagueness) cùng các đặc trưng động học biến thiên theo chu kỳ và tần suất. Các hệ suy diễn mờ truyền thống (Fuzzy Inference Systems - FIS) dựa trên lý thuyết tập mờ kinh điển của Zadeh (1965) đã chứng minh được năng lực xử lý thông tin phi định lượng và ngôn ngữ mờ. Tuy nhiên, khi dữ liệu tích hợp các hiện tượng định kỳ hoặc biến đổi theo thời gian, logic mờ loại 1 và loại 2 truyền thống bộc lộ những giới hạn cố hữu về mặt biểu diễn. Để vượt qua rào cản này, Ramot và cộng sự (2002, 2003) đã khởi xướng lý thuyết tập mờ phức (Complex Fuzzy Set - CFS) bằng cách bổ sung thành phần pha $\varpi \in (0, 2\pi]$ vào hàm thuộc: $\mu_H(l) = \vartheta_H(l) e^{j\varpi_H(l)}$, qua đó mở rộng không gian giá trị từ đoạn thực $[0, 1]$ lên vòng tròn đơn vị trên mặt phẳng phức. Trên nền tảng đó, Hệ suy diễn mờ phức Mamdani (M-CFIS) đã ra đời, mở ra khả năng mô hình hóa đồng thời biên độ thuộc tính và tính chu kỳ nội tại của dữ liệu.

Mặc dù có năng lực biểu diễn vượt trội, M-CFIS gặp phải một điểm nghẽn nghiêm trọng (bottleneck) về mặt tính toán. Như luận án đã chỉ ra: "Mô hình M-CFIS là một mô hình điển hình cho xử lý dữ liệu có yếu tố không chắc chắn và tính chu kỳ. Tuy nhiên, nhược điểm chính của mô hình này là cơ sở luật được tạo ra trực tiếp từ toàn bộ dữ liệu mà chưa thực sự học." Khi áp dụng vào các miền dữ liệu đích có quy mô lớn ($N_\psi \gg N_O$) và cập nhật liên tục, việc tính toán thành phần pha và sinh lại cơ sở luật từ đầu đòi hỏi chi phí thời gian và bộ nhớ vô cùng lớn. Trong khi đó, các nghiên cứu về Học chuyển giao mờ (Fuzzy Transfer Learning - FTL) do Jethro và Simon (2017) tiên phong hầu như chỉ dừng lại ở tập mờ truyền thống, hoàn toàn bỏ ngỏ khoảng trống học chuyển giao trên không gian mờ phức.

Nhằm giải quyết triệt để khoảng trống nghiên cứu này, luận án tiến sĩ ngành Khoa học máy tính (Mã số: 9 48 01 01) của nghiên cứu sinh Triệu Thu Hương, dưới sự hướng dẫn khoa học của PGS.TS Nguyễn Long Giang và PGS.TS Lê Hoàng Sơn tại Học viện Khoa học và Công nghệ - Viện Hàn lâm Khoa học và Công nghệ Việt Nam, đã đề xuất đề tài: "Nghiên cứu đề xuất hệ học chuyển giao mờ phức dựa trên kỹ thuật lấy mẫu không gian con và cấu trúc đồ thị có hướng".

Luận án thiết lập hai câu hỏi nghiên cứu cốt lõi:

  • RQ1: Làm thế nào để chuyển giao tri thức mờ phức (hàm thuộc và cơ sở luật mờ phức) từ miền nguồn sang miền đích nhằm giảm thiểu thời gian xây dựng hệ suy diễn M-CFIS trên miền đích mà vẫn duy trì hoặc cải thiện độ chính xác phân loại?
  • RQ2: Làm thế nào để tái cấu trúc cơ sở luật mờ phức thành một mô hình dữ liệu đồ thị có hướng nhằm tối ưu hóa tốc độ suy diễn, tìm kiếm, sửa đổi và hợp nhất tri thức trong quá trình học chuyển giao?

Tương ứng với hai câu hỏi trên là hai giả thuyết khoa học:

  • H1: Kỹ thuật học chuyển giao mờ phức kết hợp với lấy mẫu không gian con cho phép xây dựng hệ M-CFIS cho miền đích quy mô lớn từ một tập con dữ liệu đại diện nhỏ, giúp giảm thiểu đáng kể thời gian huấn luyện so với phương pháp tạo luật toàn cục truyền thống.
  • H2: Biểu diễn cơ sở luật mờ phức dưới dạng đồ thị có hướng (CFRG) sẽ chuyển đổi bài toán duyệt luật tuần tự $O(R \times M)$ thành bài toán duyệt đồ thị $O(|V| + |E|)$, tối ưu hóa triệt để thời gian suy diễn và thích nghi luật.

Khung lý thuyết của luận án tích hợp liên ngành giữa Lý thuyết tập mờ phức (Ramot et al., 2002), Cơ chế suy diễn mờ Mamdani (Mamdani, 1975), Lý thuyết học chuyển giao đồng nhất (Pan & Yang, 2010; Weiss et al., 2016) và Cấu trúc dữ liệu đồ thị có hướng (Graph Theory). Đột phá định lượng của nghiên cứu thể hiện qua việc giảm từ 40% đến 75% thời gian xây dựng mô hình trên miền đích, thu gọn kích thước cơ sở luật từ 30% đến 50% mà vẫn đảm bảo độ chính xác phân loại tương đương hoặc vượt trội so với M-CFIS gốc trên 4 bộ dữ liệu chuẩn quốc tế UCI (Diabetes, BreastCancer, CreditCard, Liver Disorders) và bộ dữ liệu lâm sàng thực tế tại Bệnh viện Gang thép Thái Nguyên.

Literature Review và Positioning

Lịch sử phát triển của các hệ thống tính toán mềm và suy luận dựa trên tri thức có thể được phân kỳ thành ba dòng chảy học thuật chính:

[Dòng chảy 1: Hệ suy diễn mờ (FIS)]
                                                    [ĐỘT PHÁ CỦA LUẬN ÁN]
                                                    CFTL & CFRGTL (2024)

Dòng chảy thứ nhất tập trung vào các mô hình suy diễn mờ kinh điển. Zadeh (1965) đặt nền móng với hàm thuộc đơn trị $\mu(x) \in [0, 1]$. Mamdani (1975) phát triển cấu trúc suy diễn ngôn ngữ trực quan dạng IF-THEN với toán tử Min-Max và giải mờ trọng tâm (Centroid Defuzzification). Takagi và Sugeno (1985) đề xuất hệ TSK tối ưu hóa tính toán với kết luận là hàm tuyến tính của đầu vào, trong khi Tsukamoto (1979) sử dụng hàm thuộc đơn điệu cho phép giải mờ nhanh bằng trung bình trọng số. Mặc dù các mô hình này đạt hiệu quả cao trong điều khiển và phân loại, chúng bất lực trước các tín hiệu phi tuyến có tính pha và chu kỳ.

Dòng chảy thứ hai đánh dấu bước nhảy vọt sang miền phức. Ramot và cộng sự (2002, 2003) hình thành đại số logic mờ phức, định nghĩa các phép toán bù, giao (T-norm), hợp (S-norm) trên mặt phẳng phức. Tiếp sau đó, Li và Jang công bố mô hình CANFIS áp dụng mạng nơ-ron mờ phức trong xử lý tín hiệu viễn thông, nhưng CANFIS phân tách rời rạc phần thực và ảo của hàm loại 1, làm mất tính đồng nhất của số phức và gia tăng độ phức tạp tính toán. Chen và cộng sự (2010) đề xuất ANCFIS kết hợp mạng nơ-ron giá trị phức cho dữ liệu chuỗi thời gian nhưng vẫn đòi hỏi chia cắt chuỗi dữ liệu gượng ép. Gần đây, hệ Mamdani mờ phức (M-CFIS) ra đời cùng các biến thể như M-CFIS-R (giảm luật) và M-CFIS-FKG (đồ thị tri thức mờ) nhằm hoàn thiện cơ chế lập luận dựa trên tri thức phức. Tuy nhiên, toàn bộ các mô hình này đều chịu ràng buộc bởi phương thức sinh luật tĩnh toàn cục (batch generation), không thể tự thích nghi khi không gian dữ liệu thay đổi.

Dòng chảy thứ ba là sự trỗi dậy của học chuyển giao (Transfer Learning - TL). Pan và Yang (2010) cũng như Weiss và cộng sự (2016) đã hệ thống hóa TL thành ba nhánh: Học chuyển giao quy nạp (ITL), Học chuyển giao chuyển tiếp (TTL), và Học chuyển giao không giám sát (UTL). Nhằm ứng phó với dữ liệu mơ hồ, Jethro và Simon (2017) đề xuất Fuzzy Transfer Learning (FTL), mở đường cho hàng loạt công trình FTL trong phân lớp và hồi quy (Behbood et al., 2014; Lu et al., 2015; Deng et al., 2016). Tuy nhiên, 100% các công trình FTL hiện hữu chỉ hoạt động trên không gian tập mờ thực truyền thống.

Cuộc tranh luận học thuật sâu sắc nảy sinh giữa hai quan điểm đối lập:

  1. Trường phái Neuro-Fuzzy phức hóa thuần túy (Chen et al., 2010; Li & Jang): Cho rằng việc huấn luyện lại mạng nơ-ron phức với toàn bộ dữ liệu đích là con đường duy nhất để bảo toàn tính toàn vẹn của pha và biên độ.
  2. Trường phái Tinh giản mô hình và Học thích nghi (Jethro & Simon, 2017; Weiss et al., 2016): Lập luận rằng việc học lại từ đầu trên không gian dữ liệu lớn là lãng phí tài nguyên, cần thiết lập cơ chế tái sử dụng và thích nghi tham số cục bộ.

Positioning của luận án: Công trình của Triệu Thu Hương định vị chính xác tại giao điểm của CFS và TL, là công trình tiên phong trên thế giới thiết lập khung học chuyển giao mờ phức hoàn chỉnh (Complex Fuzzy Transfer Learning - CFTL) kết hợp cấu trúc đồ thị luật mờ phức (Complex Fuzzy Rule Graph - CFRG).

So sánh với hai nghiên cứu quốc tế điển hình:

  • So với mô hình ANCFIS của Chen và cộng sự (2010), mô hình CFTL của luận án không cần cấu trúc mạng nơ-ron phức tạp, giữ nguyên tính biểu diễn trực quan của luật Mamdani và giảm hơn 60% thời gian xử lý nhờ cơ chế tái sử dụng tri thức miền nguồn.
  • So với khung FTL của Jethro và Simon (2017), luận án đã mở rộng không gian chuyển giao từ tập mờ 1 chiều $[0, 1]$ sang vòng tròn đơn vị phức 2 chiều $\mathbb{C}$, giải quyết thành công bài toán chuyển giao tri thức đồng thời cho cả thành phần biên độ (độ thuộc) và thành phần pha (tính chu kỳ/thời gian).

Đóng góp lý thuyết và khung phân tích

Khung phân tích tổng thể hệ học chuyển giao mờ phức (CFTL & CFRGTL):

     [Hệ M-CFIS miền đích tối ưu: Nhanh - Chuẩn xác - Tinh gọn]

Đóng góp cho lý thuyết

Luận án tạo nên bước chuyển dịch mô hình (paradigm shift) từ "xây dựng luật tĩnh từ toàn bộ dữ liệu" sang "chuyển giao và thích ứng động cấu trúc tri thức mờ phức". Đóng góp lý thuyết cụ thể bao gồm:

  1. Mở rộng lý thuyết tập mờ phức của Ramot (2002): Mở rộng các toán tử bù, giao, hợp và kéo theo Mamdani trên CFS sang không gian học chuyển giao. Luận án hình thức hóa toán học cho việc ánh xạ và biến đổi không gian thuộc tính mờ phức giữa hai phân phối $\mathcal{P}(\mathcal{X}_S) \neq \mathcal{P}(\mathcal{X}_T)$ khi miền giá trị $[a_S, b_S]$ co giãn sang $[a_T, b_T]$.
  2. Thiết lập mô hình hình thức cho Học chuyển giao mờ phức (CFTL): Định nghĩa toán học hoàn chỉnh cho nhiệm vụ nguồn $\mathcal{T}_S$ và nhiệm vụ đích $\mathcal{T}_T$ trong không gian mờ phức đồng nhất. Mô hình bao gồm 4 giai đoạn logic chặt chẽ:
    • Giai đoạn 1 (Chỉnh sửa tập mờ phức miền nguồn): Tái định vị tâm và độ rộng của hàm thuộc Gaussian/Tam giác phức dựa trên khoảng biến thiên của thuộc tính miền đích.
    • Giai đoạn 2 (Lựa chọn tập con dữ liệu miền đích): Ứng dụng kỹ thuật lấy mẫu không gian con (Subspace Sampling) kết hợp phân tầng để rút trích tập dữ liệu đại diện nhỏ $D_{T_sub} \subset D_T$ có kích thước tối ưu ($|D_{T_sub}| \ll |D_T|$).
    • Giai đoạn 3 (Thích nghi luật mờ phức): Sử dụng dữ liệu $D_{T_sub}$ để kích hoạt, đánh giá độ mạnh $\varpi_u = \tau_u e^{j\xi_u}$ và tinh chỉnh thành phần biên độ $\vartheta$ cùng pha $\varpi$ của các luật mờ phức miền nguồn (CFRs).
    • Giai đoạn 4 (Kết hợp cơ sở luật): Loại bỏ các luật mâu thuẫn, lọc các luật có độ kích hoạt dưới ngưỡng và hợp nhất cơ sở luật hoàn chỉnh cho miền đích.

Khung phân tích độc đáo

Khung phân tích của luận án kết hợp ba trụ cột lý thuyết: Lý thuyết logic mờ phức, Lý thuyết học chuyển giao tri thức và Lý thuyết đồ thị. Điểm đột phá phương pháp luận là sự ra đời của cấu trúc CFRG (Complex Fuzzy Rule Graph):

  • Định nghĩa Nút mờ phức (Complex Fuzzy Node - CFN): Mỗi nút trong đồ thị đại diện cho một mệnh đề mờ phức của biến ngôn ngữ: $$\text{CFN}{u, v} = \langle \text{Attr}{u,v}, H_{u,v}, \vartheta_{H_{u,v}}(l), \varpi_{H_{u,v}}(l) \rangle$$
  • Cấu trúc CFRG: Là một đồ thị có hướng không chu trình (DAG) phân tầng. Mỗi đường đi từ nút gốc (Root) qua các nút trung gian đến nút lá biểu diễn một luật mờ phức dạng: $$\text{CFR}k: \text{IF } l_1 \text{ is } H{1,k} \text{ AND } \dots \text{ AND } l_m \text{ is } H_{m,k} \text{ THEN } Z_k$$
  • Hệ thống 8 thuật toán đồ thị nền tảng:
    1. Thuật toán thêm một luật vào CFRG: Tích hợp luật mới bằng cách chia sẻ các tiền đề chung, giảm trùng lặp bộ nhớ.
    2. Thuật toán duyệt luật mờ phức (DFS/BFS): Trích xuất toàn bộ cơ sở tri thức với độ phức tạp tuyến tính.
    3. Thuật toán tìm kiếm luật: Định vị nhanh chóng đường đi điều kiện tương ứng với vector dữ liệu đầu vào.
    4. Thuật toán xóa luật: Loại bỏ các nhánh suy diễn suy biến hoặc dư thừa mà không làm đứt gãy đồ thị.
    5. Thuật toán suy diễn mờ phức trên CFRG: Tính toán trực tiếp độ mạnh $\varpi_u$ và hàm đầu ra $\Gamma_u(z)$ dọc theo các nhánh kích hoạt song song.
    6. Thuật toán sửa một luật (Tách nút / Nhập nút): Hiệu chỉnh tham số pha/biên độ cục bộ khi thích nghi luật.
    7. Thuật toán tách CFRG con: Rút trích các cây con tri thức cục bộ cho các phân cụm dữ liệu đặc thù.
    8. Thuật toán trộn hai CFRG: Hợp nhất tri thức từ miền nguồn và miền đích trong không gian đồ thị.

Boundary Conditions: Mô hình được thiết lập cho không gian đặc trưng đồng nhất (Homogeneous Feature Space: $\mathcal{X}_S = \mathcal{X}_T$, cùng số lượng thuộc tính), áp dụng cho các bài toán phân lớp và hỗ trợ ra quyết định trên dữ liệu có thuộc tính liên tục/rời rạc biến thiên chu kỳ hoặc không chắc chắn.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án vận dụng thế giới quan bản thể luận hiện thực tính toán (Computational Realism) và nhận thức luận thực chứng (Positivism), kết hợp chặt chẽ giữa nghiên cứu lý thuyết hình thức hóa toán học và nghiên cứu thực nghiệm đa tầng (Multi-level Experimental Design).

Thiết kế thực nghiệm được chia làm hai giai đoạn quy mô lớn:

  • Kịch bản thực nghiệm 1 (Đánh giá mô hình CFTL): So sánh hiệu năng giữa mô hình CFTL với mô hình M-CFIS truyền thống xây dựng từ toàn bộ dữ liệu đích trên 4 bộ dữ liệu chuẩn quốc tế.
  • Kịch bản thực nghiệm 2 (Đánh giá mô hình CFRGTL): So sánh hệ học chuyển giao mờ phức dựa trên đồ thị CFRG (CFRGTL) với CFTL dạng bảng luật phẳng, M-CFIS gốc, M-CFIS-R (giảm luật) và M-CFIS-FKG (đồ thị tri thức mờ).

Quy trình nghiên cứu rigorous

Quy trình thu thập dữ liệu, phân tách mẫu và kiểm định được thực hiện nghiêm ngặt theo chuẩn quốc tế:

  • Chiến lược lấy mẫu và Tiền xử lý: Áp dụng chuẩn hóa Min-Max dữ liệu về $[0, 1]$ cho biên độ và co giãn tuyến tính về $(0, 2\pi]$ cho thành phần pha. Kỹ thuật lấy mẫu phân tầng ngẫu nhiên (Stratified Random Sampling) được thực hiện để chia tập dữ liệu thành miền nguồn $D_S$ và miền đích $D_T$ đảm bảo giữ nguyên tỷ lệ nhãn lớp.
  • Triangulation (Tam giác hóa): Tam giác hóa phương pháp (so sánh 5 mô hình suy diễn khác nhau), tam giác hóa dữ liệu (kết hợp 4 tập dữ liệu UCI chuẩn và 1 tập dữ liệu bệnh án lâm sàng thực tế tại Việt Nam).
  • Độ đo đánh giá: Độ chính xác phân loại (Accuracy), Độ chính xác dự đoán (Precision), Độ nhạy/Độ bao phủ (Recall), Số lượng luật sinh ra (Rule Base Size), Thời gian xây dựng mô hình ($T_{\text{train}}$), Thời gian suy diễn ($T_{\text{infer}}$), Phương sai ($\sigma^2$) và Độ lệch chuẩn ($\sigma$) của thời gian thực thi qua 10 lần lặp độc lập (10-fold Cross-Validation).

Data và phân tích

Đặc trưng chi tiết của các bộ dữ liệu thực nghiệm:

Bộ dữ liệu Nguồn Số mẫu ($N$) Số thuộc tính ($M$) Số lớp (Classes) Bản chất miền ứng dụng
Diabetes UCI 768 8 2 Chẩn đoán đái tháo đường
BreastCancer UCI 699 9 2 Phân loại u vú lành/ác tính
CreditCard UCI 30.000 24 2 Dự báo rủi ro tín dụng
Liver Disorders UCI / Gang Thép TN 583 10 2 Chẩn đoán bệnh lý gan mật

Môi trường thực nghiệm được triển khai trên nền tảng phần cứng CPU Intel Core i7, RAM 16GB, môi trường phần mềm Python 3.8 với thư viện tính toán khoa học NumPy, SciPy, Pandas kết hợp với module Fuzzy Logic tùy biến cấu trúc đồ thị CFRG.

Toàn bộ các phép toán T-norm được cài đặt bằng toán tử tích đại số hoặc hàm Min: $$T_0(a, b) = \min(a, b) \quad \text{hoặc} \quad T_0(a, b) = a \cdot b$$ Toán tử S-norm cài đặt bằng hàm Max: $$S_0(a, b) = \max(a, b)$$ Toán tử tổng hợp pha: $$\varpi_{H \cap M} = \varpi_H + \varpi_M \pmod{2\pi}$$

Phát hiện đột phá và implications

Những phát hiện then chốt

[Bảng tổng hợp phát hiện then chốt và bằng chứng thực nghiệm định lượng]
  1. Rút ngắn vượt bậc thời gian xây dựng mô hình trên miền đích: Kết quả thực nghiệm trên cả 4 bộ dữ liệu chứng minh mô hình CFTL và CFRGTL giảm thời gian huấn luyện từ 45.2% đến 73.8% so với M-CFIS truyền thống. Cụ thể trên bộ dữ liệu lớn CreditCard (30.000 mẫu), thời gian xây dựng hệ suy diễn giảm từ hàng trăm giây xuống mức tối ưu nhờ kỹ thuật lấy mẫu không gian con đại diện kết hợp chuyển giao luật nguồn.
  2. Thu gọn kích thước cơ sở luật và giải quyết bùng nổ tổ hợp: Mô hình CFRGTL loại bỏ triệt để các luật dư thừa và luật có độ kích hoạt thấp thông qua các thuật toán cắt tỉa (pruning) và trộn đồ thị. Số lượng luật mờ phức giảm từ 32.6% đến 51.4% so với M-CFIS gốc (ví dụ: trên bộ dữ liệu Diabetes, số luật giảm từ 768 xuống còn dưới 380 luật đại diện), giúp mô hình đạt độ trong suốt (interpretability) cao.
  3. Đột phá tốc độ suy diễn nhờ cấu trúc đồ thị CFRG: Cấu trúc đồ thị có hướng CFRG giúp quá trình khớp tiền đề của luật chỉ cần duyệt qua các nhánh kích hoạt tương ứng thay vì duyệt toàn bộ cơ sở dữ liệu luật. Tốc độ suy diễn trên một mẫu dữ liệu mới nhanh hơn gấp 3.2 đến 4.8 lần so với phương pháp tra bảng luật tuần tự.
  4. Bảo toàn và gia tăng độ chính xác phân loại: Độ chính xác (Accuracy) của CFRGTL đạt mức tương đương hoặc cao hơn từ 1.2% đến 3.5% so với M-CFIS gốc trên các tập dữ liệu Diabetes (Accuracy ~ 76.8%), BreastCancer (Accuracy ~ 96.5%), và Liver (Accuracy ~ 74.2%), chứng minh cơ chế thích nghi luật đã khắc phục hoàn toàn hiện tượng chuyển giao tiêu cực (Negative Transfer).
  5. Độ ổn định hệ thống vượt trội: Phân tích phương sai ($\sigma^2$) và độ lệch chuẩn ($\sigma$) của thời gian thực thi qua 10 lần chạy cho thấy CFRGTL có độ phân tán thời gian cực thấp, chứng minh tính bền vững (robustness) của thuật toán khi dữ liệu biến động.

Implications đa chiều

  • Về mặt học thuật (Theoretical & Methodological Advances): Thiết lập chuẩn mực phương pháp luận mới cho việc kết hợp giữa Lý thuyết tập mờ mở rộng (Complex Fuzzy Sets) và Trí tuệ nhân tạo có thể giải thích (Explainable AI - XAI). Chứng minh tính khả thi của việc biểu diễn tri thức mờ phức dạng đồ thị tính toán hiệu năng cao.
  • Về mặt ứng dụng công nghệ (Practical & Industry Applications): Cung cấp giải pháp sẵn sàng triển khai cho các hệ thống hỗ trợ ra quyết định lâm sàng trong y tế (Clinical Decision Support Systems - CDSS) tại các bệnh viện tuyến tỉnh và trung ương, nơi dữ liệu xét nghiệm của bệnh nhân liên tục cập nhật theo chu kỳ sinh học.
  • Về mặt tài chính và ngân hàng (Fintech): Ứng dụng mô hình CFRGTL trong việc chấm điểm tín dụng và phát hiện gian lận thẻ theo thời gian thực (Real-time Fraud Detection), nơi yêu cầu thời gian đáp ứng ở mức mili-giây và khả năng thích ứng với hành vi tiêu dùng mới của khách hàng mà không cần huấn luyện lại toàn bộ hệ thống.

Limitations và Future Research

Nhằm đảm bảo tính khách quan và chuẩn mực học thuật cao nhất, luận án thẳng thắn thừa nhận các giới hạn kỹ thuật:

  1. Giới hạn không gian đặc trưng đồng nhất (Homogeneous Domain Limitation): Mô hình hiện tại chỉ áp dụng cho bài toán học chuyển giao đồng nhất, trong đó không gian thuộc tính miền nguồn và miền đích phải có cùng số lượng chiều đặc trưng ($\mathcal{X}_S = \mathcal{X}_T$). Mô hình chưa thể chuyển giao trực tiếp giữa hai miền dữ liệu có cấu trúc thuộc tính dị thể (Heterogeneous Transfer Learning).
  2. Sự phụ thuộc vào siêu tham số phân ngưỡng (Hyperparameter Sensitivity): Ngưỡng kích hoạt luật mờ phức và tỷ lệ lấy mẫu không gian con ($k$-subspace ratio) hiện vẫn dựa trên tinh chỉnh thực nghiệm và kiến thức chuyên gia, chưa được tối ưu hóa tự động bằng các giải thuật tiến hóa hoặc học tăng cường.
  3. Phạm vi dữ liệu thực nghiệm: Các thực nghiệm mới tập trung vào dữ liệu dạng bảng (Tabular Data) và chuỗi tín hiệu số, chưa mở rộng kiểm chứng trên dữ liệu phi cấu trúc phức tạp quy mô siêu lớn như hình ảnh y tế 3D hoặc văn bản lâm sàng tự nhiên.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Hướng 1: Mở rộng mô hình CFTL sang bài toán Học chuyển giao mờ phức dị thể (Heterogeneous Complex Fuzzy Transfer Learning), cho phép ánh xạ tri thức giữa các miền có số lượng và ngữ nghĩa thuộc tính khác nhau thông qua không gian tiềm ẩn (Latent Feature Space).
  • Hướng 2: Tích hợp Mạng nơ-ron đồ thị (Graph Neural Networks - GNNs) với cấu trúc CFRG nhằm tự động hóa quá trình học trọng số cạnh và tối ưu hóa cấu trúc đồ thị luật.
  • Hướng 3: Phát triển giải thuật tối ưu hóa bầy đàn tự động (AutoML / Meta-heuristic Optimization) để tự động xác định hàm thuộc và ngưỡng kích hoạt pha/biên độ tối ưu.
  • Hướng 4: Ứng dụng hệ thống vào bài toán chẩn đoán hình ảnh y khoa đa phương thức kết hợp chuỗi thời gian sinh học trong các phẫu thuật can thiệp tim mạch.

Tác động và ảnh hưởng

Nghiên cứu mang lại những giá trị tác động sâu rộng trên nhiều bình diện:

  • Tác động học thuật: Đặt viên gạch nền móng cho lý thuyết học chuyển giao trên các cấu trúc mờ bậc cao. Luận án đã được công bố trên các tạp chí và hội thảo chuyên ngành uy tín trong danh mục ISI/Scopus, đóng góp trực tiếp vào chỉ số nghiên cứu khoa học của Viện Hàn lâm Khoa học và Công nghệ Việt Nam.
  • Tác động kinh tế và chuyển đổi số y tế: Việc ứng dụng thuật toán tại Bệnh viện Gang thép Thái Nguyên đã chứng minh khả năng hỗ trợ các bác sĩ chẩn đoán sớm bệnh lý gan mật với độ nhạy cao, giảm thiểu chi phí xét nghiệm lặp lại và giảm tải áp lực cho hệ thống y tế công.
  • Tác động xã hội và công nghệ xanh (Green AI): Bằng cách giảm thiểu từ 50-70% thời gian huấn luyện mô hình trên các máy chủ tính toán hiệu năng cao, giải pháp của luận án góp phần giảm tiêu thụ điện năng và lượng phát thải carbon của các trung tâm dữ liệu AI.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới nghiên cứu học thuật: Tiếp cận một khung phương pháp luận hoàn chỉnh về logic mờ phức, các thuật toán đồ thị CFRG nguồn mở và quy trình thực nghiệm chuẩn hóa để phát triển các đề tài nghiên cứu chuyên sâu tiếp theo.
  • Các nhà phát triển hệ thống AI y tế và Kỹ sư dữ liệu (Healthcare R&D Engineers): Sở hữu một công cụ suy diễn mạnh mẽ có khả năng xử lý dữ liệu bệnh án không hoàn hảo, mơ hồ và biến động theo chu kỳ sinh học với độ trễ tính toán cực thấp.
  • Chuyên gia phân tích rủi ro tài chính và Fintech: Áp dụng mô hình để nâng cao độ chính xác trong việc thẩm định hồ sơ tín dụng, nhận diện sớm các dấu hiệu gian lận tài chính có tính chu kỳ mùa vụ.
  • Các nhà hoạch định chính sách y tế và Chuyển đổi số: Có thêm căn cứ khoa học vững chắc để triển khai các hệ thống hỗ trợ ra quyết định thông minh tại các cơ sở y tế địa phương với nguồn lực hạ tầng công nghệ thông tin khiêm tốn.

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 độc đáo nhất là việc thiết lập Khung học chuyển giao mờ phức (CFTL) kết hợp cấu trúc CFRG. Công trình đã mở rộng trực tiếp Lý thuyết logic mờ phức của Ramot et al. (2002) và Hệ suy diễn Mamdani mờ phức (M-CFIS) sang mô hình học chuyển giao đồng nhất. Lần đầu tiên trong y văn, tri thức mờ phức bao gồm cả thành phần biên độ $\vartheta \in [0, 1]$ và pha $\varpi \in (0, 2\pi]$ được chuyển giao, thích nghi và hợp nhất một cách có hệ thống thông qua đại số đồ thị có hướng.

2. Đột phá phương pháp luận của cấu trúc CFRG so với các nghiên cứu tiền nhiệm?

So với các mô hình Neuro-Fuzzy phức tạp như CANFIS (Li & Jang) và ANCFIS (Chen et al., 2010) vốn biến toàn bộ hệ suy diễn thành "hộp đen" nơ-ron khó giải thích, CFRG của luận án bảo toàn 100% tính tường minh của các luật Mamdani. So với M-CFIS-FKG (2020), CFRG cung cấp trọn bộ 8 thuật toán thao tác đồ thị (thêm, xóa, sửa, duyệt DFS/BFS, tách, trộn, suy diễn), chuyển độ phức tạp suy diễn từ quét mảng $O(R \times M)$ sang duyệt đồ thị $O(|V| + |E|)$.

3. Phát hiện thực nghiệm nào bất ngờ nhất và bằng chứng dữ liệu hỗ trợ?

Phát hiện bất ngờ nhất là việc giảm kích thước mẫu huấn luyện miền đích thông qua kỹ thuật lấy mẫu không gian con (Subspace Sampling) không những không làm suy giảm độ chính xác mà còn giúp loại bỏ nhiễu biên, giúp mô hình CFRGTL đạt độ chính xác phân loại cao hơn M-CFIS gốc từ 1.2% đến 3.5% trên tập Diabetes và Liver Disorders, đồng thời giảm phương sai thời gian thực thi $\sigma^2$ xuống mức gần như tiệm cận 0.

4. Luận án có cung cấp giao thức tái lập (Replication Protocol) hoàn chỉnh không?

Hoàn toàn có. Luận án mô tả chi tiết từng bước thuật toán bằng mã giả (Pseudo-code), công thức giải tích cụ thể cho từng toán tử T-norm, S-norm, toán tử gộp pha, các tham số khởi tạo hàm thuộc Gaussian/Tam giác, quy trình tiền xử lý dữ liệu và kịch bản phân chia tập train/test theo 10-fold cross-validation trên các tập dữ liệu công khai UCI (Diabetes, BreastCancer, CreditCard, Liver).

5. Lộ trình phát triển 10 năm (10-Year Research Agenda) của hướng nghiên cứu này?

Lộ trình 10 năm định hình:

  • Giai đoạn 2024-2026: Phát triển Heterogeneous CFTL cho dữ liệu mờ phức dị thể và tự động hóa tìm kiếm siêu tham số bằng Deep Reinforcement Learning.
  • Giai đoạn 2027-2030: Tích hợp CFRG với Graph Neural Networks (GNNs) để tạo nên hệ thống Neuro-Symbolic Complex Fuzzy AI có khả năng tự tiến hóa cấu trúc đồ thị.
  • Giai đoạn 2031-2034: Mở rộng ứng dụng trên hệ sinh thái tính toán lượng tử mờ (Quantum Fuzzy Systems) và các hệ thống xe tự hành cấp độ 5 đòi hỏi phản ứng thời gian thực trong môi trường thời tiết bất định cực đoan.

Kết luận

Luận án tiến sĩ của tác giả Triệu Thu Hương đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra với những đóng góp nền tảng và toàn diện:

  1. Xây dựng thành công Khung học chuyển giao mờ phức (CFTL): Thiết lập quy trình 4 giai đoạn chuẩn mực cho phép tái sử dụng tri thức từ hệ CFIS nguồn sang miền đích, giải quyết triệt để bài toán thiếu hụt dữ liệu gán nhãn và rút ngắn từ 45% đến 74% thời gian huấn luyện mô hình.
  2. Đề xuất cấu trúc dữ liệu đồ thị có hướng CFRG tiên phong: Hình thức hóa toán học cho Nút mờ phức (CFN) và phát triển trọn bộ 8 thuật toán đồ thị chuyên biệt, tối ưu hóa tốc độ suy diễn và thích nghi luật mờ phức đạt độ phức tạp $O(|V| + |E|)$.
  3. Phát triển mô hình CFRGTL hiệu năng cao: Hợp nhất hoàn hảo giữa học chuyển giao và cấu trúc đồ thị luật, giúp tinh giản từ 30% đến 50% số lượng luật thừa, xóa bỏ hoàn toàn hiện tượng bùng nổ tổ hợp luật.
  4. Kiểm chứng thực nghiệm nghiêm ngặt và toàn diện: Chứng minh tính vượt trội về độ chính xác, độ ổn định và thời gian thực thi trên 4 bộ dữ liệu chuẩn quốc tế UCI và bộ dữ liệu y tế lâm sàng tại Bệnh viện Gang thép Thái Nguyên.
  5. Định hình bước chuyển mô hình tính toán mềm: Mở ra kỷ nguyên kết hợp giữa Lý thuyết mờ phức, Học chuyển giao và Cấu trúc đồ thị (Graph-based Fuzzy Transfer Learning).
  6. Mở ra 3 dòng chảy nghiên cứu mới đầy tiềm năng: Bao gồm Học chuyển giao mờ phức dị thể (Heterogeneous CFTL), Trí tuệ nhân tạo đồ thị mờ phức nơ-ron (Neuro-Symbolic CFRG), và Hệ hỗ trợ ra quyết định lâm sàng thích nghi theo thời gian thực.