PHÁT TRIỂN MÔ HÌNH TẬP THÔ PHỦ, TẬP THÔ MỜ VÀ ÁP DỤNG TẬP THÔ VÀO KHAI PHÁ DỮ LIỆU

Hệ thống thông tin (HTTT) là một khái niệm cốt lõi. HTTT được định nghĩa là một bộ gồm tập các đối tượng, tập các thuộc tính, tập các giá trị và hàm thông tin. HTTT thường được biểu diễn dưới dạng bảng hai chiều, trong đó hàng biểu diễn thông tin về một đối tượng và cột biểu diễn thông tin về một thuộc tính. Phân tích dữ liệu với mô hình tập thô đòi hỏi hiểu rõ cấu trúc và các thành phần của HTTT, đặc biệt khi áp dụng vào luận án tiến sĩ về khai phá dữ liệu.

Quan hệ không phân biệt được là một quan hệ tương đương được cảm sinh từ HTTT. Quan hệ này xác định liệu hai đối tượng có thể được phân biệt dựa trên một tập thuộc tính cho trước hay không. Không gian xấp xỉ là một không gian được xây dựng dựa trên quan hệ không phân biệt được. Không gian này được sử dụng để xấp xỉ các tập con của tập vũ trụ. Việc sử dụng không gian xấp xỉ giúp xử lý sự không chắc chắn và mơ hồ trong dữ liệu lớn (Big data). Khai phá tri thức từ kho dữ liệu (Data warehouse) tận dụng các xấp xỉ này.

Một ưu thế lớn của lý thuyết mô hình tập thô trong phân tích dữ liệu là không cần bất kỳ thông tin sơ bộ và bổ sung nào về dữ liệu như các lý thuyết khác, chẳng hạn, các phân bố xác suất cần cho lý thuyết thống kê, các phép gán xác suất cơ bản cần cho lý thuyết bằng chứng, mức độ thành viên hay giá trị khả năng cần cho lý thuyết tập mờ. Mô hình tập thô đóng vai trò quan trọng nền tảng trong tính toán hạt, trí tuệ nhân tạo và khoa học nhận thức, đặc biệt là trong học máy, khai phá dữ liệu và phát hiện tri thức.

Việc tìm kiếm các tập rút gọn (reducts) và các tập lõi (core) trong mô hình tập thô là một bài toán NP-khó. Độ phức tạp tăng theo cấp số nhân với số lượng thuộc tính và đối tượng trong hệ thống thông tin. Điều này gây khó khăn cho việc áp dụng mô hình tập thô vào dữ liệu lớn. Các giải thuật heuristic và approximate có thể được sử dụng để giảm độ phức tạp, nhưng cần phải cân nhắc giữa hiệu suất và độ chính xác.

Mô hình tập thô phủ yêu cầu lựa chọn các tham số phù hợp để xác định các phủ (coverings) trên tập vũ trụ. Việc lựa chọn này ảnh hưởng trực tiếp đến hiệu quả của mô hình. Các phương pháp như cross-validation và grid search có thể được sử dụng để tìm kiếm các tham số tối ưu, nhưng cần có thời gian và tài nguyên tính toán đáng kể. Đánh giá mô hình tập thô cẩn thận là rất quan trọng.

Mặc dù mô hình tập thô cung cấp các luật và rút gọn, việc diễn giải và giải thích kết quả có thể không đơn giản. Cần có kiến thức chuyên môn để hiểu ý nghĩa của các luật và rút gọn trong ngữ cảnh ứng dụng cụ thể. Điều này đặc biệt quan trọng trong các lĩnh vực như y tế và tài chính, nơi mà tính minh bạch và khả năng giải thích là yếu tố then chốt. Cần có các công cụ và phương pháp hỗ trợ để cải thiện khả năng giải thích của mô hình.

Các thuật toán heuristic như giải thuật di truyền (genetic algorithm) và thuật toán ACO (ant colony optimization) có thể được sử dụng để tìm kiếm tập rút gọn và luật một cách hiệu quả hơn. Các thuật toán này có thể tận dụng khả năng tìm kiếm toàn cục để tìm ra các giải pháp tốt trong không gian tìm kiếm lớn. Cần có các nghiên cứu để so sánh hiệu quả của các thuật toán khác nhau và xác định các tham số tối ưu cho từng thuật toán.

Mô hình tập thô cần được điều chỉnh để có thể xử lý hiệu quả dữ liệu lớn. Các kỹ thuật như phân chia và chinh phục (divide and conquer) và khai phá dữ liệu song song có thể được sử dụng để giảm độ phức tạp tính toán. Bên cạnh đó, cần có các nghiên cứu để phát triển các mô hình tập thô trực tuyến, có khả năng xử lý dữ liệu theo thời gian thực. Các giải thuật khai phá dữ liệu cần được thiết kế lại để phù hợp với Big data.

Mô hình tập thô và học sâu có thể bổ sung cho nhau. Mô hình tập thô có thể được sử dụng để rút gọn dữ liệu và chọn lọc đặc trưng trước khi đưa vào mạng nơ-ron sâu. Ngược lại, mạng nơ-ron sâu có thể được sử dụng để tự động học các quan hệ không phân biệt được và các xấp xỉ trong mô hình tập thô. Sự kết hợp này có thể mang lại những kết quả tốt hơn so với việc sử dụng từng kỹ thuật riêng lẻ. Việc mô hình hóa dữ liệu sẽ hiệu quả hơn khi kết hợp hai phương pháp.

Bảng quyết định phủ là một mở rộng của bảng quyết định truyền thống, cho phép các phủ (coverings) thay vì chỉ là các phân hoạch trên tập vũ trụ. Điều này giúp biểu diễn các mối quan hệ phức tạp hơn giữa các thuộc tính và các quyết định. Bảng quyết định phủ có khả năng xử lý sự không chắc chắn và mơ hồ tốt hơn so với bảng quyết định truyền thống. Việc phân loại dữ liệu trở nên chính xác hơn.

Luận án đề xuất một thuật toán phân lớp đa nhãn mới dựa trên bảng quyết định phủ và thuật toán k-Nearest Neighbors (k-NN). Thuật toán này sử dụng bảng quyết định phủ để chọn lọc các thuộc tính quan trọng và giảm chiều dữ liệu. Sau đó, thuật toán k-NN được sử dụng để phân lớp các đối tượng dựa trên các thuộc tính đã chọn lọc. Các kết quả thực nghiệm cho thấy rằng thuật toán đề xuất có thể cải thiện đáng kể hiệu suất phân lớp so với các thuật toán k-NN truyền thống. Ứng dụng khai phá dữ liệu trong thực tế được nâng cao.

Luận án thực hiện các thí nghiệm trên nhiều tập dữ liệu đa nhãn khác nhau, bao gồm cả dữ liệu văn bản và dữ liệu y tế. Các kết quả cho thấy rằng thuật toán đề xuất có thể đạt được độ chính xác cao hơn so với các phương pháp khác như ML-KNN và các biến thể của nó. Các kết quả này chứng minh tính hiệu quả của việc sử dụng bảng quyết định phủ trong bài toán phân lớp đa nhãn. Cần tiếp tục phân tích dữ liệu và trích xuất tri thức để hoàn thiện mô hình.

Tập mờ truyền thống 𝐴 = {(𝑢, 𝜇𝐴 (𝑢))|∀𝑢 ∈ 𝑈} được mở rộng trở thành tập mờ bức tranh 𝐴 = {(𝑢, 𝜇𝐴 (𝑢), 𝐴 (𝑢), 𝐴 (𝑢)) |∀𝑢 ∈ 𝑈}với ba giá trị 𝜇𝐴 (𝑢), 𝐴 (𝑢), 𝐴 (𝑢) ∈ [0,1], 𝜇𝐴 (𝑢), +𝐴 (𝑢) + 𝐴 (𝑢) ≤ 1; giá trị 𝜇𝐴 (𝑢) (𝐴 (𝑢) hoặc 𝐴 (𝑢)) được gọi là “độ thành viên khẳng định” (“trung tính” hoặc “phủ định”) của đối tượng 𝑢 trong 𝐴. Việc bổ sung độ thành viên trung tính 𝐴 (𝑢) vào cặp độ thành viên khẳng định 𝜇𝐴 (𝑢) và độ thành viên phủ định 𝐴 (𝑢): 0𝐴 (𝑢) + 𝐴 (𝑢)1 trong tập mờ trực cảm [7] phản ảnh xu hướng xây dựng các mô hình quyết định ba chiều (three-way decision).

Các đối tượng được xử lý qua các bước như: thu thập dữ liệu, chuẩn hóa, mờ hóa và áp dụng các phép toán trên tập thô mờ bức tranh. Quy trình này được thiết kế để khai thác tối đa thông tin có sẵn và đưa ra các kết quả xếp hạng chính xác. Sự kết hợp giữa mô hình tập thô và tập mờ bức tranh giúp xử lý thông tin không đầy đủ và mơ hồ một cách hiệu quả. Phương pháp này có thể ứng dụng trong nhiều lĩnh vực, không chỉ đánh giá ứng viên.

Trong bài toán đánh giá ứng viên, tập thô mờ bức tranh có thể được sử dụng để biểu diễn các thuộc tính của ứng viên như kỹ năng, kinh nghiệm và phẩm chất cá nhân. Mô hình có thể được sử dụng để đánh giá và xếp hạng các ứng viên dựa trên các thuộc tính này. Các kết quả cho thấy rằng mô hình đề xuất có thể đưa ra các quyết định đánh giá chính xác hơn so với các phương pháp truyền thống. Phân loại dữ liệu ứng viên trở nên khách quan hơn.

Các thuật toán rút gọn thuộc tính cần được cải tiến để có thể xử lý hiệu quả dữ liệu lớn và các bài toán phức tạp. Các nghiên cứu có thể tập trung vào việc phát triển các thuật toán song song, các thuật toán phân tán, và các thuật toán thích ứng. Mục tiêu là giảm độ phức tạp tính toán và cải thiện khả năng mở rộng của mô hình.

Mô hình tập thô cần được mở rộng để có thể xử lý dữ liệu trực tuyến và dữ liệu thay đổi theo thời gian. Các nghiên cứu có thể tập trung vào việc phát triển các mô hình tập thô động, có khả năng cập nhật các xấp xỉ và các luật một cách liên tục. Điều này đặc biệt quan trọng trong các ứng dụng như giám sát hệ thống và phát hiện gian lận.

Mô hình tập thô có tiềm năng ứng dụng trong nhiều lĩnh vực khoa học và công nghệ mới, chẳng hạn như trí tuệ nhân tạo giải thích được (Explainable AI), học máy tự động (AutoML), và khai phá dữ liệu y sinh. Các nghiên cứu cần được thực hiện để khám phá các ứng dụng tiềm năng và đánh giá hiệu quả của mô hình tập thô trong các lĩnh vực này.