I. Tổng Quan Nghiên Cứu Hệ Học Chuyển Giao Mờ Phức
Suy diễn đóng vai trò quan trọng trong việc đưa ra kết luận và quyết định dựa trên thông tin sẵn có. Nó ứng dụng rộng rãi trong cuộc sống hàng ngày, kinh doanh, khoa học, và trí tuệ nhân tạo (AI). Sự phát triển của khoa học công nghệ tạo ra dữ liệu phức tạp hơn với tính mơ hồ, không chắc chắn, và chu kỳ. Tập mờ phức (Complex fuzzy set - CFS), được đề xuất bởi Ramot và cộng sự, thêm thành phần pha để biểu diễn các hiện tượng thời gian và chu kỳ trong dữ liệu. Hệ suy diễn mờ phức (CFIS), phát triển từ hệ suy diễn mờ (FIS), giải quyết vấn đề ra quyết định. Các nghiên cứu mở rộng CFIS như ANCFIS, FANCFIS, và M-CFIS kết hợp hệ thống mờ phức với mạng nơ-ron. Gần đây, hệ suy luận mờ phức Mamdani (M-CFIS) đã được giới thiệu với cấu trúc suy luận dựa trên tập mờ phức và ứng dụng cho hệ hỗ trợ ra quyết định.
1.1. Ứng dụng Hệ Học Chuyển Giao trong Khoa học Dữ liệu
Học chuyển giao (Transfer Learning - TL) là quá trình sử dụng kiến thức đã có cho nhiệm vụ học tập mới, hướng tới mục tiêu tận dụng tri thức, giải quyết thiếu hụt dữ liệu, và giảm thiểu thời gian học tập. TL đã đạt được những kết quả ấn tượng trong phân loại văn bản, xử lý ảnh, chẩn đoán y tế, và dự báo thị trường chứng khoán. Tuy nhiên, thông tin không chắc chắn và mơ hồ trong các bài toán vẫn là hạn chế. Để giải quyết vấn đề này, mô hình học chuyển giao mờ (FTL) kết hợp kỹ thuật TL với logic mờ để chuyển giao thông tin không chắc chắn và mơ hồ.
1.2. Tổng quan về các phương pháp Lấy Mẫu Không Gian
Kỹ thuật lấy mẫu không gian con đóng vai trò quan trọng trong việc giảm độ phức tạp tính toán và cải thiện hiệu suất của các thuật toán học máy trên dữ liệu có chiều cao. Các phương pháp lấy mẫu khác nhau, như Principal Component Analysis (PCA) và Random Subspace, được sử dụng để chọn ra các đặc trưng quan trọng nhất trong không gian dữ liệu. Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của bài toán.
II. Thách Thức Hạn Chế Của Hệ Suy Diễn Mờ Phức Hiện Tại
Mặc dù có những tiến bộ trong các hệ thống suy diễn mờ phức và học chuyển giao mờ, vẫn còn một số hạn chế chưa được giải quyết. Mô hình M-CFIS, mặc dù điển hình cho xử lý dữ liệu có yếu tố không chắc chắn và chu kỳ, có nhược điểm là cơ sở luật được tạo ra trực tiếp từ toàn bộ dữ liệu mà chưa thực sự học. Điều này dẫn đến khả năng thích ứng kém và khó khăn trong xử lý thông tin phức tạp. Khả năng xử lý dữ liệu có yếu tố không chắc chắn mang tính chu kỳ và tần suất của hệ M-CFIS cũng làm hạn chế về mặt thời gian xử lý. Trong các trường hợp dữ liệu ngày càng nhiều, việc xây dựng mô hình M-CFIS theo phương án cập nhật luật truyền thống là không khả thi.
2.1. Vấn đề Thời Gian Xử Lý trong Hệ Mờ Phức
Thành phần pha sinh ra trong quá trình mô tả các yếu tố chu kỳ/định kỳ làm thời gian xử lý tăng lên. Hầu hết các hệ thống FTL hiện tại chỉ dừng lại ở việc kết hợp kỹ thuật TL với logic mờ truyền thống. Có rất ít nghiên cứu về FTL trên tập mờ mở rộng, đặc biệt là tập mờ phức. Lý thuyết và suy diễn mờ phức có ý nghĩa trong giải quyết các bài toán có tính chất mờ hồ, không chắc chắn và chu kỳ/định kỳ. Nhưng hạn chế về phạm vi ứng dụng do yếu tố thời gian.
2.2. Sự Thiếu Hụt Nghiên Cứu về Học Chuyển Giao Mờ Phức
Trong khi đó, kỹ thuật học chuyển giao lại có khả năng giảm thiểu thời gian học tập. Luận án này đặt ra nhiệm vụ nghiên cứu giải quyết hạn chế của hệ suy diễn mờ phức về mặt thời gian dựa trên kỹ thuật học chuyển giao. Cụ thể là cải thiện hiệu suất về mặt thời gian cho việc xây dựng các mô hình suy diễn mờ phức cho miền mục tiêu/miền đích và thời gian suy diễn của hệ suy diễn mờ phức.
III. Giải Pháp Mô Hình Học Chuyển Giao Mờ Phức Đề Xuất
Luận án đề xuất một mô hình học chuyển giao trên hệ suy diễn mờ phức nhằm tận dụng tri thức đã có trong những mô hình trước và giảm thiểu thời gian xây dựng hệ suy diễn mờ phức cho miền mục tiêu. Mục tiêu cụ thể là đề xuất mô hình học chuyển giao dựa trên hệ suy diễn mờ phức Mamdani (M-CFIS), ứng dụng xây dựng hệ suy diễn mờ phức cho miền mục tiêu. Đồng thời, đề xuất cách biểu diễn tri thức (luật mờ phức) trên cấu trúc dữ liệu mới nhằm mục đích cải tiến hoạt động suy diễn về mặt thời gian và hỗ trợ hoạt động chuyển giao kiến thức nhanh chóng và hiệu quả.
3.1. Tận dụng Tri Thức Từ Miền Nguồn để xây dựng mô hình CFIS
Nội dung nghiên cứu tập trung vào việc nghiên cứu phát triển hệ suy diễn mờ phức dựa trên kỹ thuật học chuyển giao và 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. Đối tượng nghiên cứu là các hệ suy diễn theo tiếp cận tập mờ phức và kỹ thuật học chuyển giao.
3.2. Nghiên cứu cấu trúc đồ thị biểu diễn luật mờ phức
Phạm vi nghiên cứu bao gồm: Lý thuyết về mô hình học chuyển giao trên hệ suy diễn mờ phức trong ngữ cảnh nhiệm vụ nguồn và nhiệm vụ đích giống nhau, nhiệm vụ nguồn và nhiệm vụ đích cùng phân phối, cùng số lượng thuộc tính nhưng khác nhau về khoảng miền giá trị của các thuộc tính. Thực nghiệm học chuyển giao trên hệ suy diễn mờ phức trong trường hợp nhiệm vụ nguồn và nhiệm vụ đích giống nhau, nhiệm vụ nguồn và nhiệm vụ đích cùng phân phối, cùng số lượng thuộc tính nhưng khác nhau về khoảng miền giá trị của các thuộc tính.
IV. Kỹ Thuật Cấu Trúc Đồ Thị CFRG Cho Hệ Học Chuyển Giao Mờ
Luận án nghiên cứu phát triển hệ học chuyển giao trên mô hình suy diễn mờ phức, sử dụng kỹ thuật lấy mẫu không gian con và cấu trúc đồ thị. Phương pháp nghiên cứu bao gồm nghiên cứu lý thuyết và nghiên cứu thực nghiệm. Nghiên cứu lý thuyết tập trung vào tổng quan lý thuyết tập mờ phức, hệ suy diễn mờ phức, kỹ thuật và mô hình học chuyển giao, phân tích ưu nhược điểm và các vấn đề còn tồn tại của các nghiên cứu liên quan.
4.1. Biểu diễn Luật Mờ Phức với Cấu Trúc CFRG
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 và tập dữ liệu thực tế tại Bệnh viện Gang thép Thái Nguyên nhằm minh chứng về tính hiệu quả của các nghiên cứu về lý thuyết. Một trong những đóng góp chính là đề xuất được mô hình học chuyển giao trên hệ suy diễn mờ phức.
4.2. Cải Tiến Suy Diễn bằng Cấu Trúc Đồ Thị
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). Bằng cách kết hợp kỹ thuật học chuyển giao và cơ chế suy diễn của hệ CFIS nhằm làm giảm thời gian xây dựng hệ CFIS cho một miền khác (gọi là 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.
V. Ứng Dụng Kết Quả Nghiên Cứu Về Hiệu Quả Của Mô Hình
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. Điều này có ý nghĩa lớn trong việc ứng dụng mô hình vào các bài toán thực tế, nơi thời gian là yếu tố quan trọng. Các thuật toán và cấu trúc dữ liệu đề xuất giúp giảm độ phức tạp tính toán và tăng tốc quá trình suy diễn.
5.1. So sánh hiệu năng với phương pháp truyền thống trên tập dữ liệu mẫu
Kết quả thực nghiệm cho thấy mô hình học chuyển giao đề xuất có thể giảm đáng kể thời gian xây dựng mô hình so với phương pháp truyền thống, đặc biệt là khi dữ liệu miền đích có sự khác biệt so với dữ liệu miền nguồn. Việc sử dụng cấu trúc đồ thị CFRG giúp tăng tốc quá trình suy diễn và cải thiện độ chính xác của mô hình.
5.2. Kết quả thực nghiệm trên dữ liệu thực tế tại Bệnh viện Gang thép Thái Nguyên
Việc triển khai mô hình học chuyển giao trên dữ liệu thực tế tại Bệnh viện Gang thép Thái Nguyên đã mang lại những kết quả khả quan. Mô hình có thể được sử dụng để hỗ trợ các bác sĩ trong việc chẩn đoán bệnh và đưa ra quyết định điều trị một cách nhanh chóng và chính xác.
VI. Tương Lai Hướng Phát Triển Cho Nghiên Cứu Hệ Học Chuyển Giao
Nghiên cứu về hệ học chuyển giao mờ phức vẫn còn nhiều tiềm năng phát triển. Các hướng nghiên cứu tiếp theo có thể tập trung vào việc mở rộng mô hình cho các bài toán phức tạp hơn, nghiên cứu các phương pháp lấy mẫu không gian con hiệu quả hơn, và phát triển các thuật toán tối ưu hóa cho cấu trúc đồ thị CFRG. Việc kết hợp mô hình với các kỹ thuật học sâu cũng là một hướng đi đầy hứa hẹn.
6.1. Mở rộng mô hình cho các bài toán phức tạp hơn
Các bài toán như dự báo chuỗi thời gian, phân tích mạng xã hội, và điều khiển hệ thống phức tạp có thể được giải quyết hiệu quả hơn bằng cách sử dụng mô hình học chuyển giao mờ phức. Việc nghiên cứu các biến thể của tập mờ phức và hệ suy diễn mờ phức cũng có thể mang lại những cải tiến đáng kể.
6.2. Nghiên cứu các phương pháp lấy mẫu không gian con hiệu quả hơn
Việc lựa chọn phương pháp lấy mẫu không gian con phù hợp có thể ảnh hưởng lớn đến hiệu suất của mô hình. Các nghiên cứu tiếp theo có thể tập trung vào việc phát triển các phương pháp lấy mẫu thích nghi, có thể tự động điều chỉnh theo đặc điểm của dữ liệu.
