Tổng quan về luận án

Trong kỷ nguyên bùng nổ dữ liệu lớn (Big Data) và trí tuệ nhân tạo có thể giải thích (Explainable AI - XAI), bài toán phân lớp dữ liệu (Data Classification) giữ vai trò then chốt trong tiến trình trích xuất tri thức và hỗ trợ ra quyết định. Cây quyết định (Decision Tree) là một trong những mô hình học máy quy nạp phổ biến nhất nhờ tính trực quan và khả năng suy diễn luật logic tường minh. Tuy nhiên, các kỹ thuật cây quyết định kinh điển như CART (Breiman et al., 1984), ID3, C4.5 (Quinlan, 1986, 1993), SLIQ (Mehta et al., 1996) hay SPRINT (Shafer et al., 1996) đều dựa trên nền tảng logic rõ (Crisp Logic). Hệ thống logic này giả định mọi thuộc tính dữ liệu phải có ranh giới phân tách tuyệt đối, dẫn đến sự bất cập nghiêm trọng khi xử lý dữ liệu thế giới thực vốn chứa đựng nhiều yếu tố bất định, mơ hồ và ngữ nghĩa ngôn ngữ tự nhiên.

Mặc dù lý thuyết tập mờ (Fuzzy Sets Theory) của Zadeh (1965) đã mở đường cho các nghiên cứu về cây quyết định mờ (Fuzzy Decision Trees - FDT) như Fuzzy ID3 (Janikow, 1998) hay Linguistic Decision Tree (LDT/LID3) (Qin, Lawry, Tang, 2008), các phương pháp này vẫn vấp phải những rào cản lý thuyết căn bản. Cụ thể, việc xác định các hàm thuộc (Membership Functions) mang tính chủ quan cao, phụ thuộc chuyên gia, và như tài liệu nguồn đã nhấn mạnh: "Cấu trúc thứ tự cảm sinh trên các khái niệm mờ biểu thị bằng các giá trị ngôn ngữ không được thể hiện trên các tập mờ vì hàm thuộc của chúng lại không sánh được với nhau." Hơn nữa, việc chuyển đổi ngữ nghĩa mờ làm mất đi cấu trúc thứ tự tự nhiên của các biến ngôn ngữ, gây sai số tích lũy lớn trong quá trình xấp xỉ và dẫn đến hiện tượng cây bùng nổ kích thước (Sprawling Tree), mất cân đối và quá khớp (Overfitting).

Luận án tiến sĩ với đề tài "Phân lớp dữ liệu bằng cây quyết định mờ dựa trên đại số gia tử" (Chuyên ngành: Khoa học máy tính / Hệ thống thông tin) đã giải quyết triệt để khoảng trống nghiên cứu (Research Gap) này bằng cách tích hợp Đại số gia tử (Hedge Algebra - ĐSGT) do Ho Nguyen Cat và Wechler (1990) khởi xướng vào cấu trúc quy nạp cây quyết định mờ. Nghiên cứu giải quyết ba câu hỏi nghiên cứu cốt lõi:

  • RQ1: Làm thế nào để tự động hóa việc trích chọn tập mẫu huấn luyện đặc trưng ($D^*$) từ kho dữ liệu nghiệp vụ, loại bỏ nhiễu và các thuộc tính gây quá khớp mà không phụ thuộc vào tri thức chủ quan của chuyên gia?
  • RQ2: Cơ chế nào giúp tối ưu hóa cấu trúc cây phân lớp, kết hợp hài hòa giữa phân chia đa phân ($k$-phân) và nhị phân nhằm triệt tiêu hiện tượng cây dàn trải theo chiều ngang hoặc phát triển quá sâu theo chiều dọc?
  • RQ3: Làm thế nào để định lượng và đối sánh các giá trị thuộc tính không thuần nhất (chứa đồng thời giá trị thực, giá trị ngôn ngữ và giá trị ngoại lai) dựa trên khoảng mờ của Đại số gia tử mà không bị phụ thuộc vào miền chặn $[Min, Max]$ kinh điển?

Tương ứng với các câu hỏi trên, ba giả thuyết nghiên cứu được thiết lập:

  • H1: Một thuật toán trích chọn đặc trưng dựa trên lý thuyết phụ thuộc hàm và phân loại thuộc tính (khóa, ghi nhớ, riêng biệt) sẽ loại bỏ hoàn toàn các nút phân tách gây quá khớp ($E(A_i, D) = 0$).
  • H2: Mô hình lai ghép ngưỡng miền trị $k = (m-1) \times |Y|$ (thuật toán MixC4.5) sẽ kiểm soát đồng thời chiều rộng và chiều sâu của cây, đạt độ chính xác phân lớp vượt trội so với C4.5 và SPRINT trên dữ liệu phức tạp.
  • H3: Phương pháp đối sánh khoảng mờ (Fuzzy Interval Matching) và khoảng mờ lớn nhất (Maximal Fuzzy Interval) trong thuật toán HAC4.5/HAC4.5* sẽ tối ưu hóa đồng thời hai hàm mục tiêu đối nghịch: tối đa hóa độ chính xác dự đoán $f_h(S) \to \max$ và tối thiểu hóa kích thước số nút của cây $f_n(S) \to \min$.

Phạm vi thực nghiệm của luận án bao quát các bộ dữ liệu chuẩn quốc tế từ kho lưu trữ UCI Machine Learning Repository và cơ sở dữ liệu thực tế: cơ sở dữ liệu rõ Northwind (2.155 bản ghi, 27 trường thuộc tính với các cấu trúc quan hệ phức tạp) và các bộ dữ liệu mờ Mushroom (8.000 bản ghi, 24 thuộc tính chứa thuộc tính mờ như Population, Habitat), Adult Dataset. Nghiên cứu tạo ra bước đột phá về mặt lý thuyết mô hình hóa dữ liệu bất định và phương pháp luận khai phá tri thức.

Literature Review và Positioning

Tổng quan y văn quốc tế về cây quyết định và xử lý dữ liệu bất định có thể phân thành bốn dòng nghiên cứu chính:

  1. Dòng thuật toán quy nạp cây quyết định kinh điển (Crisp Decision Trees): Khởi nguyên từ ID3, C4.5 của Quinlan (1986, 1993) sử dụng Entropi thông tin (Information Entropy) và Tỷ lệ lợi ích thông tin (Gain Ratio), kết hợp với CART của Breiman et al. (1984) sử dụng hệ số Gini (Gini Index). Tiếp đó, SLIQ (Mehta, Rissanen, Agrawal, 1996) và SPRINT (Shafer, Agrawal, Mehta, 1996) đề xuất kỹ thuật tiền sắp xếp (Pre-sorting) và phân chia nhị phân để mở rộng quy mô xử lý dữ liệu lớn. Tuy nhiên, các kỹ thuật này có điểm yếu cố hữu: C4.5 phân chia $k$-phân trên thuộc tính rời rạc khiến số nút tăng mất kiểm soát theo chiều ngang; ngược lại, phân chia nhị phân của SLIQ/SPRINT làm cây phát triển mất cân đối theo chiều sâu với chi phí tính toán $O(m \times n^2 \log n)$. Quan trọng nhất, chúng hoàn toàn bất lực trước các thuộc tính chứa giá trị mờ hoặc hỗn hợp ngữ nghĩa.

  2. Dòng cây quyết định mờ dựa trên tập mờ (Fuzzy Decision Trees - FDT): Nhằm đưa dữ liệu không chắc chắn vào mô hình, Dubois & Prade (1980), Janikow (1998), Ishibuchi (2001), Moustakidis (2011) cùng các nghiên cứu của Daveedu Raju Adidela và Jaya Suma (2014) đã phát triển Fuzzy ID3, Fuzzy SLIQ, Fuzzy HSM. Dù đưa được hàm thuộc vào tính toán lợi ích thông tin, các tiếp cận này vướng phải nghịch lý nền tảng: hàm thuộc $\mu(x)$ được gán ghép chủ quan, không có cấu trúc đại số làm nền tảng, và các phép toán hợp/giao mờ làm mất tính đóng cũng như cấu trúc thứ tự tự nhiên của ngôn ngữ.

  3. Dòng cây quyết định ngôn ngữ (Linguistic Decision Trees - LDT): Zengchang Qin, Jonathan Lawry, Yongchuan Tang (2008, 2009) cùng Suzan Kantarci-Savas, Efendi Nasibov (2014) đề xuất LID3 (LID3 Uniform, LID3 Entropy, LID3 Percentile) để sinh nhãn ngôn ngữ dựa trên xác suất liên kết. Dù duy trì được nhãn định tính, mô hình LID3 lại sinh ra cây đa phân khổng lồ khi không gian nhãn mở rộng, không thể áp dụng cơ chế chia nhị phân tối ưu của C4.5/C5.0 do các nhãn ngôn ngữ mờ thiếu toán tử so sánh thứ tự chặt chẽ.

  4. Dòng tiếp cận Đại số gia tử trong hệ mờ (Hedge Algebra Approaches): Công trình nền tảng của Ho Nguyen Cat và Wechler (1990), tiếp nối bởi các nghiên cứu của Ho Nguyen Cat et al. (2001, 2006, 2011) và Huynh Van Nam et al., đã hình thức hóa cấu trúc đại số trừu tượng cho miền ngôn ngữ $X = (X, G, H, \le)$. Các ứng dụng ban đầu của Nguyen Hai Lan et al. (2012, 2014) đã thiết lập phép định lượng ngữ nghĩa theo điểm (Point-based Semantic Quantifying). Dẫu vậy, phương pháp điểm mờ vẫn còn hạn chế: chỉ áp dụng được trên cùng một mức gia tử, bỏ qua các hạng từ khác mức; xuất hiện sai số lớn tại các điểm biên giáp ranh; và đặc biệt là phụ thuộc bắt buộc vào miền trị xác định $[Min, Max]$ của dữ liệu rõ, khiến nó tê liệt trước các giá trị ngoại lai (Linguistic Outliers).

Định vị học thuật của luận án: Luận án định vị tại giao điểm của Khai phá dữ liệu tiên tiến và Đại số gia tử trừu tượng. Nghiên cứu vượt lên trên các công trình quốc tế của Quinlan (1993), Mehta et al. (1996) và Qin & Lawry (2008) bằng việc thiết lập mô hình quy nạp cây quyết định dựa trên Đối sánh khoảng mờ (Fuzzy Interval Matching) và Khoảng mờ lớn nhất (Maximal Fuzzy Interval). Cách tiếp cận này loại bỏ hoàn toàn yêu cầu xác định chặn $[Min, Max]$ cứng nhắc, bảo toàn thứ tự ngữ nghĩa tự nhiên, triệt tiêu sai số biên và giải quyết trọn vẹn bài toán thuộc tính không thuần nhất.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng nền tảng lý thuyết Đại số gia tử tuyến tính đầy đủ $X = (X, G, H, \Phi, \Psi, \le)$ vào không gian không gian cấu trúc dữ liệu quy nạp của Học máy:

  1. Hình thức hóa toán học cho cấu trúc ngữ nghĩa mờ không phụ thuộc hàm thuộc: Kế thừa cấu trúc Đại số gia tử gồm tập sinh $G = {0, c^-, W, c^+, 1}$ (với $c^-$ là phần tử sinh âm như "nhỏ/chậm/trẻ", $c^+$ là phần tử sinh dương như "lớn/nhanh/già", $W$ là phần tử trung hòa) và tập gia tử $H = H^+ \cup H^-$. Độ đo tính mờ $f_m(x)$ và hàm định lượng ngữ nghĩa $v(x): X \to [0, 1]$ được xây dựng đệ quy với hàm dấu $Sign(x) \in {-1, 0, 1}$: $$v(c^-) = W - \alpha \times f_m(c^-); \quad v(c^+) = W + \beta \times f_m(c^+)$$ $$\forall j \in [1, p]: \quad v(h_j x) = v(x) + Sign(h_j x) \times \left( \sum_{i=1}^j f_m(h_i x) - \omega(h_j x) \times f_m(h_j x) \right)$$ Lý thuyết này bảo toàn tuyệt đối thứ tự ngữ nghĩa: $\forall x, y \in X, x < y \iff v(x) < v(y)$, giải quyết triệt để vấn đề hàm thuộc không so sánh được trong logic mờ Zadeh.

  2. Thiết lập mô hình tối ưu hóa đa mục tiêu cho cây quyết định mờ: Luận án định nghĩa tường minh bài toán học cây quyết định mờ $S: D \to Y$ dưới dạng bài toán tối ưu hai tiêu chí đối nghịch: $$\begin{cases} f_h(S) \to \max & \text{(Tối đa hóa độ chính xác dự đoán)} \ f_n(S) \to \min & \text{(Tối thiểu hóa số lượng nút - tối ưu độ phức tạp mô hình)} \end{cases}$$ Nghiên cứu chứng minh rằng sự cân bằng giữa tính phổ quát (Generality) và tính cá thể (Individuality) tại mỗi nút quyết định phụ thuộc vào việc kiểm soát ngưỡng phân nhánh và độ mịn của phân hoạch khoảng mờ $I_k(x)$.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba trụ cột lý thuyết: (1) Đại số gia tử tuyến tính, (2) Lý thuyết lượng đo thông tin và thiên lệch quy nạp (Inductive Bias), và (3) Lý thuyết phụ thuộc hàm trong cơ sở dữ liệu quan hệ.

Các khái niệm bản quyền học thuật được thiết lập:

  • Thuộc tính riêng biệt (Distinct Attribute - $D^*$): Thuộc tính rời rạc $A_i$ thỏa mãn $|A_i| > (m - 1) \times |Y|$ (với $m$ là số thuộc tính, $|Y|$ là lực lượng thuộc tính quyết định). Luận án chứng minh định lý: "Trong cây quyết định, nếu có một nút được tạo là ứng với một thuộc tính riêng biệt trong quá trình huấn luyện thì đó là một cây dàn trải."
  • Thuộc tính ghi nhớ (Memorizing Attribute - $D_G$): Thuộc tính $A_i$ mà các phần tử $a_{ij}, a_{ik}$ không thể sánh được với nhau, dẫn đến hàm $Gain(A_i, D) = 0$, có thể loại bỏ an toàn khỏi tập mẫu mà không làm thay đổi cấu trúc cây.
  • Giá trị ngôn ngữ ngoại lai (Linguistic Outliers): Các biểu thức ngôn ngữ xuất hiện trong tập kiểm tra hoặc truy vấn mà ánh xạ ngữ nghĩa của chúng nằm ngoài biên $[Min, Max]$ của các giá trị rõ đã quan sát trong tập huấn luyện.
  • Đối sánh khoảng mờ lớn nhất: Cơ chế phân định một khoảng mờ $I(y)$ thuộc về $I(x)$ nếu diện tích giao cắt thỏa mãn $|I(y) \cap I(x)| \ge \frac{|I(y)|}{\pounds}$ (với $\pounds$ là số phân đoạn liên tục cắt $I(y)$), giải quyết triệt để sự đan xen tại các điểm chia mờ.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu theo đuổi trường phái nhận thức luận Thực chứng diễn dịch kết hợp Thực nghiệm tính toán (Positivist / Algorithmic Experimental Paradigm). Khung phương pháp luận kết hợp chặt chẽ giữa:

  • Chứng minh hình thức bằng giải tích đại số và toán rời rạc đối với các cấu trúc nút, tính chất dừng và độ phức tạp thuật toán.
  • Thiết kế thực nghiệm đa cấp (Multi-level Experimental Design) đối sánh trực tiếp các thuật toán đề xuất (MixC4.5, MixC4.5*, HAC4.5, HAC4.5*) với các thuật toán chuẩn mực toàn cầu (C4.5, SLIQ, SPRINT, LID3) trên các không gian dữ liệu đồng nhất (Crisp) và bất định (Fuzzy).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu trải qua bốn giai đoạn chuẩn hóa:

  1. Giai đoạn 1 - Lọc mẫu đặc trưng (Feature Selection Algorithm): Duyệt $m$ thuộc tính với chi phí $O(m^2)$. Lược bỏ các trường khóa (vốn có $Entropy = 0$ nhưng gây phân mảnh cực đại), trường ghi nhớ $D_G$ và các thuộc tính $A_j$ bị phụ thuộc hàm bởi $A_i$ ($A_i \to A_j$). Chứng minh toán học chỉ ra: $Gain(A_i, D) \ge Gain(A_j, D)$, do đó $A_j$ hoàn toàn dư thừa trong quá trình phân tách cây.

  2. Giai đoạn 2 - Thuật toán quy nạp lai ghép MixC4.5: Với các thuộc tính liên tục, áp dụng chia nhị phân tối ưu hóa ngưỡng $T$ theo Gain Ratio của C4.5. Với thuộc tính rời rạc, thuật toán kiểm tra điều kiện lực lượng $|A_i|$: nếu $|A_i| < k = (m-1) \times |Y|$ thì áp dụng chia $k$-phân (C4.5); nếu $|A_i| \ge k$, tự động chuyển sang cơ chế chia nhị phân dựa trên ma trận đếm của SPRINT. Độ phức tạp tính toán tổng thể được kiểm soát ở mức $O(m \times n^2 \log n)$, loại bỏ hoàn toàn rủi ro bùng nổ nút lá.

  3. Giai đoạn 3 - Thuật toán quy nạp khoảng mờ HAC4.5 và HAC4.5:* Xây dựng hệ thống phân hoạch khoảng mờ $I_k = {I_k(x) : x \in X_k}$ trên đoạn $[0, 1]$. Đồng hóa các giá trị ngôn ngữ và giá trị thực chưa xác định miền $[Min, Max]$ thông qua toán tử hàm ngược $v_k^{-1}(a)$. Thuật toán HAC4.5* sử dụng khoảng mờ lớn nhất để nhóm các mẫu dữ liệu có độ tương đồng ngữ nghĩa cao, tối ưu hóa đồng thời $f_h(S)$ và $f_n(S)$.

  4. Giai đoạn 4 - Cắt tỉa và Đánh giá thực nghiệm: Kiểm định mô hình thông qua phương pháp tách tập độc lập (Hold-out Validation) và kiểm định chéo (Cross-Validation), đối soát đa chiều giữa kích thước cây, thời gian thực thi và tỷ lệ phân lớp chính xác.

Data và phân tích

Môi trường thực nghiệm được chuẩn hóa nghiêm ngặt: Hệ thống máy tính vi xử lý Intel® Core™ i5-2450 CPU @ 2.50 GHz, bộ nhớ trong 4GB RAM, hệ điều hành 64-bit, nền tảng phát triển Java Eclipse Mars Release 4.5.0.

  • Tập dữ liệu Northwind (Dữ liệu rõ / Crisp Data): Tổng quy mô 2.155 bản ghi liên kết từ 4 bảng thực thể (Customers, Orders, OrderDetails, Products), gồm 27 trường thuộc tính (16 trường rời rạc, 10 trường liên tục, 1 trường logic). Thiết kế thử nghiệm phân chia thành các tập huấn luyện 1.000 bản ghi và 1.500 bản ghi; tập kiểm tra độc lập 500 bản ghi.
  • Tập dữ liệu Mushroom (Dữ liệu mờ / Fuzzy Data): Quy mô 8.000 bản ghi, 24 trường thuộc tính; bao gồm 2 thuộc tính mờ phức tạp là Population (Lực lượng 62, khoảng giá trị rõ $[1, 50]$ kết hợp các nhãn ngôn ngữ) và Habitat (Lực lượng 126, khoảng giá trị rõ $[20, 90]$ kết hợp nhãn ngôn ngữ). Tập huấn luyện gồm 5.000 bản ghi; tập kiểm tra gồm 2 tập con 500 bản ghi và 1.000 bản ghi.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm của luận án cung cấp các bằng chứng số liệu đột phá:

  1. Triệt tiêu hiện tượng cây dàn trải và quá khớp do thuộc tính định danh: Luận án phát hiện rằng khi đưa các trường thuộc tính khóa (ID, PhiếuĐT) hoặc thuộc tính có giá trị riêng biệt (HọVàTên) vào huấn luyện theo C4.5 chuẩn, $Entropy(A_i, D) = 0$ khiến thuật toán luôn chọn nhầm các trường này làm nút gốc. Cây quyết định sinh ra bị dàn trải ngang cực độ với $N$ nhánh lá đơn phần tử, mất hoàn toàn khả năng khái quát hóa. Thuật toán ChonMauDacTrung của luận án loại bỏ $100%$ các thuộc tính nhiễu này ngay từ pha tiền xử lý.

  2. Kiểm soát kích thước cây tối ưu ($f_n(S) \to \min$): Trên tập dữ liệu Northwind (1.500 mẫu), thuật toán MixC4.5 chỉ sinh ra 62 nút, giảm $44.6%$ số nút so với C4.5 (112 nút) và giảm $64.8%$ so với SLIQ (176 nút). Trên tập dữ liệu mờ Mushroom, thuật toán đối sánh khoảng mờ lớn nhất HAC4.5* chỉ tạo ra 46 nút so với 165 nút của C4.5 và 210 nút của SPRINT.

  3. Nâng cao vượt bậc độ chính xác phân lớp ($f_h(S) \to \max$): Trên bộ dữ liệu Northwind 1.500 mẫu, MixC4.5 đạt độ chính xác $94.8%$, vượt xa C4.5 ($88.2%$) và SPRINT ($89.4%$). Đột phá lớn nhất diễn ra trên bộ dữ liệu mờ phức tạp Mushroom: trong khi C4.5 truyền thống bị sụt giảm độ chính xác nghiêm trọng xuống mức $76.2%$ (trên 1.000 mẫu kiểm tra) do phải loại bỏ hoặc gán nhãn thô các giá trị mờ, thì MixC4.5 đạt $95.8%$ và HAC4.5* đạt kỷ lục $98.2%$.

  4. Hóa giải bài toán điểm phân chia mờ đan xen và giá trị ngoại lai: Phương pháp đối sánh khoảng mờ giải quyết triệt để nghịch lý phân lớp khi giá trị cần dự đoán là một khoảng $[x_1, x_2]$ vắt qua ngưỡng phân tách $x$. Bằng cơ chế giao cắt tỷ lệ diện tích khoảng mờ $|I(y) \cap I(x)| \ge |I(y)| / \pounds$, mô hình xác định được nhãn phân lớp tất định mà không gây xung đột luật logic.

Implications đa chiều

  • Về mặt lý thuyết học máy (Theoretical Advances): Công trình đặt nền móng vững chắc cho trường phái Học máy dựa trên Đại số gia tử (Hedge Algebraic Machine Learning), giải phóng mô hình mờ khỏi sự lệ thuộc vào các hàm thuộc chủ quan của lý thuyết tập mờ Zadeh, xác lập cầu nối toán học chính xác giữa logic vị từ và khai phá dữ liệu.
  • Về mặt phương pháp luận (Methodological Innovations): Cung cấp khung thuật toán mở MixC4.5 và HAC4.5* có khả năng tích hợp linh hoạt vào các kiến trúc xử lý dữ liệu lớn hiện đại như Apache Spark hay Flink, cho phép xử lý luồng dữ liệu nghiệp vụ không đồng nhất theo thời gian thực.
  • Về ứng dụng thực tiễn (Practical Applications): Ứng dụng trực tiếp trong các hệ thống Chẩn đoán Y khoa (nơi dữ liệu bệnh án đan xen giữa chỉ số xét nghiệm liên tục và mô tả triệu chứng ngôn ngữ mờ như "sốt nhẹ", "rất đau"), Hệ thống Chấm điểm Tín dụng Ngân hàng (Credit Scoring), và Hệ thống Giám sát Giao dịch Bất thường.
  • Về chính sách và tiêu chuẩn hóa (Policy Recommendations): Cung cấp công cụ XAI minh bạch phục vụ các khung pháp lý yêu cầu giải trình thuật toán (như GDPR của Liên minh Châu Âu), cho phép các tổ chức công lập ban hành quyết định hành chính tự động mà vẫn giải trình được nguồn gốc cây logic.

Limitations và Future Research

Nhằm duy trì tính khách quan khoa học, các giới hạn và định hướng mở rộng của luận án được xác định rõ:

  1. Giới hạn về độ phức tạp tính toán cục bộ: Khi lực lượng của thuộc tính vượt ngưỡng $k$, MixC4.5 chuyển sang phân chia nhị phân của SPRINT với chi phí $O(m \times n^2 \log n)$. Với các tập dữ liệu có quy mô hàng chục triệu bản ghi, thuật toán đòi hỏi tài nguyên tính toán lớn nếu chưa được tối ưu hóa cấu trúc dữ liệu song song.
  2. Giới hạn về cấu trúc đại số gia tử: Nghiên cứu hiện tập trung chủ yếu vào Đại số gia tử tuyến tính có hai phần tử sinh đối nghịch ($c^+, c^-$). Các không gian ngôn ngữ phức hợp đa chiều (ĐSGT cấu trúc lưới hoặc ĐSGT $PN$-không thuần nhất) chưa được tích hợp toàn diện.
  3. Sự phụ thuộc vào cấu hình tham số độ đo tính mờ ban đầu: Các hệ số $\alpha, \beta$ và phần tử trung hòa $W$ vẫn cần thiết lập ban đầu dựa trên ngữ cảnh miền, dù không ảnh hưởng đến tính bảo toàn thứ tự nhưng có thể tác động nhẹ đến tốc độ hội tụ của khoảng mờ.

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

  • Phát triển mô hình Rừng cây quyết định mờ dựa trên Đại số gia tử (Fuzzy Random Forests based on Hedge Algebra) nhằm nâng cao năng lực học trên dữ liệu cực lớn và giảm thiểu phương sai.
  • Xây dựng giải thuật tối ưu hóa tiến hóa (Genetic Algorithms / PSO) để tự động hóa hoàn toàn việc học các tham số $\alpha, \beta, f_m(c)$ của Đại số gia tử từ dữ liệu phân tán.
  • Nghiên cứu song song hóa thuật toán HAC4.5* trên nền tảng tính toán phân tán MapReduce / Apache Spark xử lý dữ liệu luồng (Data Streams).
  • Mở rộng lý thuyết đối sánh khoảng mờ cho các bài toán Khai phá luật kết hợp mờ (Fuzzy Association Rules) và Hồi quy cây mờ (Fuzzy Regression Trees).

Tác động và ảnh hưởng

  • Tác động học thuật (Academic Impact): Công trình đã công bố 7 công trình khoa học chuyên ngành, bao gồm bài báo trên tạp chí quốc tế International Journal of Research in Engineering and Science (IJRES), Tạp chí Tin học và Điều khiển học (Journal of Computer Science and Cybernetics), Tạp chí Khoa học Đại học Huế, cùng các Kỷ yếu Hội thảo Quốc gia lớn như FAIR. Mô hình tạo ra trường phái trích dẫn mới trong lĩnh vực Soft Computing và Trí tuệ tính toán tại Việt Nam và khu vực.
  • Chuyển đổi công nghiệp (Industry Transformation): Thuật toán MixC4.5 và HAC4.5* cung cấp giải pháp lõi cho các công ty giải pháp phần mềm, hệ thống ERP, thương mại điện tử trong việc phân loại khách hàng, dự báo rủi ro chuỗi cung ứng khi dữ liệu hành vi người dùng chứa nhiều nhãn định tính ("thường xuyên mua", "hơi hài lòng", "ít khi đổi trả").
  • Lợi ích xã hội và quản trị công (Societal & Governance Benefits): Hỗ trợ xây dựng các hệ thống hỗ trợ ra quyết định lâm sàng (Clinical Decision Support Systems) tại các bệnh viện tuyến tỉnh, giúp các bác sĩ trẻ chẩn đoán bệnh chính xác dựa trên các mô tả triệu chứng lâm sàng định tính phức tạp, giảm thiểu sai sót y khoa.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Cung cấp mô hình mẫu mực về việc ứng dụng cấu trúc toán học trừu tượng (Đại số gia tử) để giải quyết các nút thắt kỹ thuật kinh điển của Học máy thực nghiệm.
  • Kỹ sư AI và Khoa học dữ liệu: Sở hữu thuật toán tối ưu hóa cấu trúc cây, giải quyết dứt điểm các lỗi tràn bộ nhớ, cây quá khớp do dữ liệu nhiễu và thuộc tính định danh trong các kho dữ liệu doanh nghiệp.
  • Các tổ chức Y tế và Tài chính: Ứng dụng mô hình phân lớp có độ chính xác cao ($98.2%$) mà vẫn bảo toàn cây logic đơn giản ($46$ nút), giúp chuyên gia nghiệp vụ dễ dàng thẩm định và phê duyệt các quyết định tự động.

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 cơ chế đối sánh khoảng mờ (Fuzzy Interval Matching) và khoảng mờ lớn nhất trên nền tảng Đại số gia tử tuyến tính đầy đủ, mở rộng trực tiếp lý thuyết Đại số gia tử của Ho Nguyen Cat & Wechler (1990) và lý thuyết Cây quyết định ngôn ngữ của Qin & Lawry (2008). Khác với các nghiên cứu tiền quy kết định lượng theo điểm vốn gây sai số lớn tại biên và bắt buộc phải biết trước miền chặn $[Min, Max]$ của dữ liệu rõ, lý thuyết khoảng mờ của luận án cho phép biểu diễn ngữ nghĩa của các thuộc tính mờ không thuần nhất dưới dạng các phân hoạch $I_k(x) \subset [0, 1]$. Cấu trúc này bảo toàn thứ tự ngữ nghĩa tự nhiên, định lượng được các giá trị ngoại lai, và hóa giải xung đột logic khi dự đoán các mẫu dữ liệu dạng khoảng.

2. Đổi mới phương pháp luận của luận án vượt trội hơn các nghiên cứu quốc tế như thế nào?

So với thuật toán C4.5 của Quinlan (1993) và SPRINT của Shafer et al. (1996), luận án tạo ra bước đột phá bằng thuật toán lai MixC4.5 với cơ chế chuyển mạch phân nhánh động dựa trên ngưỡng $k = (m-1) \times |Y|$. So với mô hình Linguistic Decision Tree (LID3) của Qin et al. (2008), MixC4.5 và HAC4.5* không bị rơi vào bẫy bùng nổ cây đa phân theo chiều ngang khi tập nhãn ngôn ngữ mở rộng, nhờ tận dụng được trật tự tuyến tính của Đại số gia tử để thực hiện phép chia nhị phân tối ưu. Đồng thời, thuật toán ChonMauDacTrung ($O(m^2)$) tiên phong tự động hóa việc lọc bỏ các thuộc tính khóa, thuộc tính ghi nhớ và thuộc tính phụ thuộc hàm, loại bỏ triệt để hiện tượng thiên lệch quy nạp (Inductive Bias) sai lệch.

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

Phát hiện bất ngờ nhất là: Thuật toán HAC4.5 và MixC4.5 giúp giảm hơn $50%$ kích thước cây nhưng lại làm tăng từ $7%$ đến $22%$ độ chính xác phân lớp trên dữ liệu mờ*. Thông thường trong học máy quy nạp, việc giảm mạnh số nút cây ($f_n(S) \to \min$) sẽ làm mất mát thông tin và giảm độ chính xác ($f_h(S)$). Tuy nhiên, trên tập dữ liệu Mushroom 5.000 mẫu, trong khi C4.5 sinh ra tới 165 nút nhưng chỉ đạt $76.2%$ độ chính xác (do bị nhiễu bởi các giá trị mờ), thì HAC4.5* rút gọn cây chỉ còn 46 nút nhưng đạt độ chính xác kỷ lục $98.2%$. Điều này chứng minh rằng việc mô hình hóa đúng bản chất đại số của ngôn ngữ đã triệt tiêu hoàn toàn các nhánh cây "rác" (spurious branches) sinh ra do quá khớp.

4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) hoàn chỉnh không?

Quy trình tái lập thực nghiệm được cung cấp chi tiết: toàn bộ mã nguồn thuật toán được đặc tả hình thức dạng giả mã (Pseudocode) cho các hàm ChonMauDacTrung, MixC4.5, HAC4.5*; cấu hình môi trường chuẩn hóa (Java Eclipse Mars 4.5.0 trên phần cứng Intel Core i5 64-bit); tham số thực nghiệm được công bố tường minh (tỷ lệ phân chia tập train/test, các bước nhảy độ đo tính mờ $\alpha, \beta, W$); và sử dụng các bộ dữ liệu công khai chuẩn quốc tế (Northwind, Mushroom, Adult từ UCI Repository).

5. Kế hoạch nghiên cứu 10 năm tới được phác thảo ra sao?

Kế hoạch nghiên cứu mở rộng trong 10 năm tập trung vào ba hướng chiến lược:

  • Năm 1–3: Mở rộng lý thuyết sang Rừng quyết định mờ Đại số gia tử (Hedge Algebraic Fuzzy Random Forests) và xây dựng thư viện mã nguồn mở tích hợp vào hệ sinh thái Python (Scikit-learn/PyTorch).
  • Năm 4–6: Nghiên cứu Đại số gia tử cấu trúc phi tuyến (Lattice-ordered Hedge Algebras) phục vụ phân lớp dữ liệu đa phương tiện và xử lý ngôn ngữ tự nhiên (NLP).
  • Năm 7–10: Kiến trúc hóa mô hình học sâu mờ có khả năng tự giải trình (Explainable Fuzzy Deep Learning based on Hedge Algebra) triển khai trên các hệ thống tính toán biên (Edge Computing) và y tế số thông minh.

Kết luận

Luận án tiến sĩ "Phân lớp dữ liệu bằng cây quyết định mờ dựa trên đại số gia tử" đã tạo ra những đóng góp đặc biệt xuất sắc cho chuyên ngành Khoa học máy tính:

  1. Xây dựng hoàn chỉnh khung lý thuyết quy nạp cây quyết định mờ dựa trên Đại số gia tử, giải quyết dứt điểm nghịch lý hàm thuộc chủ quan và sự mất mát cấu trúc thứ tự ngôn ngữ của logic mờ truyền thống.
  2. Đề xuất thuật toán trích chọn đặc trưng tự động $O(m^2)$, loại bỏ hoàn toàn các thuộc tính khóa, thuộc tính ghi nhớ và phụ thuộc hàm gây quá khớp trong các kho dữ liệu nghiệp vụ thực tế.
  3. Phát triển thuật toán lai ghép MixC4.5 với ngưỡng phân tách động $k = (m-1) \times |Y|$, kiểm soát hoàn hảo chiều rộng và chiều sâu của cây quyết định, triệt tiêu hiện tượng cây dàn trải.
  4. Phát minh phương pháp đối sánh khoảng mờ và khoảng mờ lớn nhất trong thuật toán HAC4.5 và HAC4.5*, cho phép đồng hóa và phân lớp chính xác các thuộc tính không thuần nhất và giá trị ngoại lai mà không phụ thuộc vào miền trị $[Min, Max]$.
  5. Chứng minh thực nghiệm vượt bậc trên các tập dữ liệu chuẩn, giảm từ $44.6%$ đến $72.1%$ kích thước cây trong khi nâng cao độ chính xác phân lớp lên mức $94.8%$ (Northwind) và $98.2%$ (Mushroom).
  6. Công bố 7 công trình khoa học uy tín, mở ra 3 hướng nghiên cứu đột phá mới về Trí tuệ nhân tạo có thể giải thích (XAI), Rừng cây quyết định mờ ĐSGT và Học máy cấu trúc đại số trên quy mô toàn cầu.