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

Luận án tiến sĩ về phát triển mô hình tập thô phủ, tập thô mờ. Nghiên cứu ứng dụng tập thô trong khai phá dữ liệu, hệ thống thông tin.

• Tác giả: Phạm Thanh Huyền
• Người hướng dẫn: TS. Hồ Thuần
• Trường học: Trường Đại Học Công Nghệ – Đại Học Quốc Gia Hà Nội
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Phát Triển Mô Hình Tập Thô Phủ, Tập Thô Mờ Và Áp Dụng Tập Thô Vào Khai Phá Dữ Liệu
• Loại tài liệu: Luận Án Tiến Sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• DANH MỤC CÁC THUẬT NGỮ
• BẢNG KÝ HIỆU, TỪ VIẾT TẮT
• DANH MỤC BẢNG
• DANH MỤC HÌNH VẼ
• 1. MỞ ĐẦU
• 2. GIỚI THIỆU CHUNG VỀ TẬP THÔ, TẬP THÔ PHỦ, TẬP THÔ MỜ VÀ ỨNG DỤNG
• 2.1. Tập thô truyền thống
• 2.2. Hệ thống thông tin
• 2.3. Quan hệ không phân biệt được
• 2.4. Xấp xỉ tập. Không gian xấp xỉ
• 2.5. Bảng quyết định
• 2.6. Tập thô phủ
• 2.7. Tập thô mờ
• 2.8. Tập mờ-thô
• 2.9. Tập thô-mờ
• 2.10. Tập mờ bức tranh
• 2.11. Áp dụng lý thuyết tập thô vào học máy và khai phá dữ liệu
• 2.11.1. Một khung chung về áp dụng lý thuyết tập thô
• 2.11.2. Một số áp dụng lý thuyết tập thô điển hình
• 3. BẢNG QUYẾT ĐỊNH PHỦ VÀ ÁP DỤNG TRONG PHÂN LỚP ĐA NHÃN
• 3.1. Áp dụng tập thô phủ vào bài toán quyết định
• 3.2. Hệ thống quyết định phủ
• 3.3. Hệ thống quyết định phủ mờ
• 3.4. Sử dụng xấp xỉ phủ trong bảng quyết định truyền thống
• 3.5. Sự phụ thuộc nhãn trong phân lớp đa nhãn
• 3.6. Phân lớp đa nhãn sử dụng ma trận nhãn-nhãn và rút gọn đặc trưng dựa trên tập thô
• 3.7. Mô hình phân lớp đa nhãn bán giám sát MULTICS2 sử dụng ma trận nhãn-nhãn
• 3.8. Thuật toán FRR-RED rút gọn đặc trưng theo quan hệ thô mờ cho phân lớp đa nhãn
• 3.9. Bảng quyết định phủ
• 3.9.1. Ý tưởng về bảng quyết định phủ
• 3.9.2. Định nghĩa bảng quyết định phủ
• 3.9.3. Thuật toán phân lớp đa nhãn sử dụng bảng quyết định phủ CDTML-KNN
• 3.9.4. Mô hình phân lớp đa nhãn dựa trên bảng quyết định phủ CDTML-KNN
• 3.9.5. Thực nghiệm mô hình phân lớp đa nhãn CDTML-KNN
• 3.9.5.1. Các tập dữ liệu thực nghiệm
• 3.9.5.2. Kịch bản thực nghiệm
• 3.9.5.3. Các độ đo đánh giá hiệu năng
• 3.9.5.4. Kết quả thực nghiệm trên hai tập dữ liệu Enron và Medical
• 3.9.5.5. Kết quả thực nghiệm trên tập dữ liệu Hotel
• 4. BẢNG QUYẾT ĐỊNH DÀN PHỦ VÀ ÁP DỤNG
• 4.1. Dàn khái niệm hình thức và kết nối với tập thô phủ
• 4.2. Bảng quyết định dàn phủ
• 4.3. Định nghĩa bảng quyết định dàn phủ
• 4.4. Rút gọn trong bảng quyết định dàn phủ
• 4.5. Phân lớp đa nhãn dựa trên bảng quyết định dàn phủ
• 4.6. Mô hình CLDT áp dụng bảng quyết định dàn phủ vào hệ tư vấn
• 4.7. Dữ liệu thực nghiệm
• 4.8. Phát biểu bài toán
• 4.9. Mô hình giải quyết bài toán
• 4.10. Kịch bản thực nghiệm và độ đo đánh giá
• 4.11. Kết quả thực nghiệm và nhận xét
• 5. TẬP THÔ MỜ BỨC TRANH VÀ ỨNG DỤNG
• 5.1. Quy tắc hợp thành suy diễn trong hệ mờ bức tranh
• 5.1.1. Quy tắc hợp thành suy diễn và phương thức suy diễn tổng quát hóa
• 5.1.2. Quy tắc hợp thành suy diễn trong logic mờ bức tranh (PFL-CRI)
• 5.2. Hệ thống thông tin bội và không gian xấp xỉ mờ bức tranh tương ứng
• 5.3. Hệ thống thông tin bội và hệ thống thông tin mờ bức tranh
• 5.4. Mờ hóa bức tranh HTTT bội thành một HTTT mờ bức tranh
• 5.5. Quan hệ tương tự trên tập đối tượng từ HTTT mờ bức tranh
• 5.6. Ứng dụng tập thô mờ bức tranh vào đánh giá ứng viên tuyển dụng
• 5.6.1. Quy trình xử lý dữ liệu tập thô mờ bức tranh cho xếp hạng đối tượng
• 5.6.2. Ví dụ xếp hạng đối tượng theo quy tắc hợp thành tập thô mờ bức tranh
• KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO
• DANH MỤC CÁC CÔNG TRÌNH LIÊN QUAN ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Mô Hình Tập Thô Luận Án Tiến Sĩ Khai Phá Dữ Liệu

Lý thuyết mô hình tập thô do Z. Pawlak khởi xướng từ những năm 1980, đã thu hút sự quan tâm lớn và không ngừng phát triển. Dựa trên các khái niệm nền tảng như hệ thống thông tin, quan hệ không phân biệt được và không gian xấp xỉ, mô hình tập thô cung cấp một phương pháp tiếp cận độc đáo cho việc phân tích dữ liệu. Ưu điểm nổi bật của lý thuyết này là không yêu cầu thông tin sơ bộ về dữ liệu, khác với các lý thuyết khác như lý thuyết thống kê hay lý thuyết tập mờ. Mô hình tập thô đóng vai trò quan trọng trong tính toán hạt, trí tuệ nhân tạo và khoa học nhận thức. Các nghiên cứu tổng quan nhấn mạnh vai trò của nó trong học máy, khai phá dữ liệu và phát hiện tri thức. "Lý thuyết tập thô cùng với lý thuyết tập mờ L... tập trung vào các khái niệm mơ hồ được hình thành từ thế giới thực quan sát được trong HTTT" (trích dẫn từ tài liệu gốc). Các bài toán phân tích dữ liệu áp dụng lý thuyết tập thô điển hình là rút gọn dữ liệu, phân lớp dữ liệu, hồi quy dữ liệu, mạng nơ-ron nhân tạo, phân cụm dữ liệu, khai phá dữ liệu bán giám sát.

1.1. Nền Tảng Lý Thuyết Tập Thô Hệ Thống Thông Tin

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.

1.2. Quan Hệ Không Phân Biệt Được và Không Gian Xấp Xỉ

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.

1.3. Ưu Điểm của Mô Hình Tập Thô so với các phương pháp khác

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.

II. Thách Thức Hạn Chế Ứng Dụng Mô Hình Tập Thô Luận Án

Mặc dù mô hình tập thô mang lại nhiều lợi ích, việc triển khai và áp dụng nó trong khai phá dữ liệu cũng đối mặt với không ít thách thức. Một trong những vấn đề chính là độ phức tạp tính toán, đặc biệt khi xử lý dữ liệu lớn. Việc tìm kiếm tập rút gọn và rút luật có thể tốn nhiều thời gian và tài nguyên. Bên cạnh đó, việc lựa chọn các tham số phù hợp cho mô hình tập thô cũng đòi hỏi kinh nghiệm và kiến thức chuyên môn. Cần có những nghiên cứu sâu hơn để cải tiến mô hình tập thô và khắc phục những hạn chế này. Cần có những nghiên cứu sâu hơn để cải tiến mô hình tập thô và khắc phục những hạn chế này, giúp nó hiệu quả hơn trong các bài toán thực tế.

2.1. Độ Phức Tạp Tính Toán Trong Khai Phá Dữ Liệu Với Mô Hình Tập Thô

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.

2.2. Lựa Chọn Tham Số Tối Ưu cho Mô Hình Tập Thô Phủ

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.

2.3. Khả Năng Giải Thích và Diễn Giải Kết Quả từ Mô Hình

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.

III. Giải Pháp Phát Triển Thuật Toán và Cải Tiến Mô Hình Tập Thô

Để giải quyết các thách thức và hạn chế, cần tập trung vào việc phát triển các thuật toán hiệu quả và cải tiến mô hình tập thô. Các nghiên cứu có thể tập trung vào việc tối ưu hóa các thuật toán tìm kiếm tập rút gọn, xây dựng các mô hình tập thô thích ứng với dữ liệu lớn, và phát triển các phương pháp diễn giải kết quả. Sự kết hợp giữa mô hình tập thô và các kỹ thuật khác như học sâu (deep learning) cũng hứa hẹn mang lại những kết quả đột phá. Các hướng nghiên cứu này cần được thực hiện trong khuôn khổ của luận án tiến sĩ để đóng góp vào sự phát triển của lĩnh vực.

3.1. Tối Ưu Hóa Giải Thuật Tìm Kiếm Tập Rút Gọn và Luật

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.

3.2. Xây Dựng Mô Hình Tập Thô Thích Ứng Với Dữ Liệu Lớn

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.

3.3. Kết Hợp Mô Hình Tập Thô và Học Sâu Deep Learning

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.

IV. Ứng Dụng Phân Lớp Đa Nhãn Với Bảng Quyết Định Phủ

Luận án này tập trung vào ứng dụng mô hình tập thô phủ vào bài toán phân lớp đa nhãn. Bài toán này xuất hiện trong nhiều lĩnh vực như phân loại văn bản, phân tích hình ảnh và khai phá dữ liệu y tế. Bảng quyết định phủ cung cấp một phương pháp hiệu quả để biểu diễn và xử lý các mối quan hệ phức tạp giữa các thuộc tính và các nhãn. Các kết quả thực nghiệm cho thấy rằng mô hình đề xuất có thể cải thiện đáng kể hiệu suất phân lớp so với các phương pháp truyền thống. Theo tài liệu gốc, "Vẫn còn có các khoảng trống trong cả ba hướng nghiên cứu về vấn đề quyết định dựa trên tập thô phủ, đặc biệt vấn đề áp dụng lý thuyết tập thô phủ vào phân lớp đa nhãn.".

4.1. Bảng Quyết Định Phủ Cơ Sở Lý Thuyết và Ưu Điểm

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.

4.2. Thuật Toán Phân Lớp Đa Nhãn CDTML KNN Dựa Trên Bảng Quyết Định Phủ

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.

4.3. Kết Quả Thực Nghiệm và So Sánh Với Các Phương Pháp Khác

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.

V. Phát Triển Tập Thô Mờ Bức Tranh Ứng Dụng Đánh Giá

Luận án này mở rộng phạm vi của mô hình tập thô bằng cách giới thiệu khái niệm tập thô mờ bức tranh. Khái niệm này kết hợp lý thuyết tập thô, lý thuyết tập mờ và lý thuyết tập mờ bức tranh để tạo ra một công cụ mạnh mẽ để xử lý sự không chắc chắn và mơ hồ. Luận án đề xuất một ứng dụng của tập thô mờ bức tranh trong bài toán đánh giá ứng viên tuyển dụng. 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.

5.1. Tập Thô Mờ Bức Tranh Định Nghĩa và Tính Chất

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).

5.2. Quy Trình Xử Lý Dữ Liệu Cho Xếp Hạng Đối Tượng

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.

5.3. Ứng Dụng Tập Thô Mờ Bức Tranh 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.

VI. Kết Luận Hướng Nghiên Cứu Mở Rộng Mô Hình Tập Thô

Luận án này đã đóng góp vào sự phát triển của mô hình tập thô và các ứng dụng của nó trong khai phá dữ liệu. Các kết quả nghiên cứu cho thấy rằng mô hình tập thô phủ và tập thô mờ bức tranh là các công cụ mạnh mẽ để xử lý sự không chắc chắn và mơ hồ trong dữ liệu. Các hướng nghiên cứu tiếp theo có thể tập trung vào việc phát triển các thuật toán hiệu quả hơn, xây dựng các mô hình thích ứng với dữ liệu lớn, và khám phá các ứng dụng mới của mô hình tập thô trong các lĩnh vực khác nhau. Theo tài liệu gốc, "Tiếp cận mở rộng lý thuyết tập thô dựa trên tính tương tự (hay dung sai), tập thô dựa trên quan hệ nhị phân, tập thô lân cận và phủ, tập thô trội, kết hợp tập thô và tập mờ, hợp nhất phân tích khái niệm lý thuyết tập thô với phân tích khái niệm hình thức trong tính toán hạt ba chiều ngày càng thu hút sự quan tâm của cộng đồng nghiên cứu – triển khai trên thế giới [51, 52, 68]."

6.1. Phát Triển Các Thuật Toán Rút Gọn Tối Ưu

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.

6.2. Nghiên Cứu Mô Hình Tập Thô Động Cho Dữ Liệu Trực Tuyến

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.

6.3. Khám Phá Ứng Dụng Tập Thô trong Khoa Học và Công Nghệ Mới

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.

Nội dung chính

Tổng quan về luận án

Lý thuyết tập thô (Rough Set Theory - RST) do nhà toán học Zdzisław Pawlak khởi xướng từ năm 1982 đã thiết lập một hệ hình toán học quan trọng trong tính toán hạt (Granular Computing) và trí tuệ nhân tạo. Tuy nhiên, lý thuyết tập thô cổ điển dựa trên quan hệ tương đương (quan hệ phản xạ, đối xứng và bắc cầu) tạo ra các phân hoạch rời rạc trên tập vũ trụ, bộc lộ sự hạn chế nghiêm trọng khi xử lý dữ liệu phức tạp, dữ liệu có sự chồng lấn danh mục và thông tin đa chiều chưa định hình. Luận án tiến sĩ chuyên ngành Hệ thống thông tin (Mã số: 9480104.01) của nghiên cứu sinh Phạm Thanh Huyền tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội, dưới sự hướng dẫn khoa học của PGS.TS. Hồ Thuần và PGS.TS. Nguyễn Trí Thành, đã giải quyết các khoảng trống lý thuyết cốt lõi bằng cách phát triển mở rộng mô hình tập thô phủ (Covering Rough Set - CRS), tập thô mờ (Fuzzy Rough Set - FRS) và tích hợp tập mờ bức tranh (Picture Fuzzy Set - PFS), đồng thời thiết kế các thuật toán khai phá dữ liệu đột phá.

Nghiên cứu tập trung giải quyết các câu hỏi khoa học (Research Questions - RQ) và giả thuyết khoa học (Hypotheses - H) cụ thể:

• RQ1: Làm thế nào để mở rộng không gian xấp xỉ phủ nhằm mô hình hóa trực tiếp sự phụ thuộc tương quan nhãn trong bài toán phân lớp đa nhãn (Multi-Label Classification - MLC)?
• H1: Việc xây dựng cấu trúc Bảng quyết định phủ (Covering Decision Table - CDT) cho phép tích hợp cấu trúc lân cận phủ trực tiếp vào cơ chế phân lớp sẽ cải thiện đáng kể hiệu năng phân lớp đa nhãn so với các mô hình độc lập nhãn truyền thống.
• RQ2: Làm thế nào để giải quyết vấn đề thưa thớt dữ liệu và khởi đầu nguội (cold-start) trong hệ thống tư vấn thông qua cấu trúc phân cấp dàn khái niệm kết hợp tập thô phủ?
• H2: Tích hợp phân tích khái niệm hình thức (Formal Concept Analysis - FCA) với tập thô phủ thành Bảng quyết định dàn phủ (Covering Lattice-based Decision Table - CLDT) cho phép rút gọn không gian tìm kiếm và tăng cường độ hội tụ của hệ tư vấn lọc cộng tác.
• RQ3: Mở rộng quy tắc suy diễn hợp thành trong logic mờ bức tranh và mô hình hóa hệ thống thông tin bội (Multi-Information System - MIS) như thế nào để phục vụ bài toán ra quyết định ba chiều (Three-Way Decision)?
• H3: Cấu trúc xấp xỉ thô mờ bức tranh (Picture Fuzzy Rough Set - PFRS) cùng quy tắc suy diễn hợp thành tổng quát hóa GMP-CRI giải quyết hiệu quả tính không chắc chắn đa trạng thái (khẳng định, trung tính, phủ định) trong bài toán xếp hạng đối tượng thực tế.

Phạm vi nghiên cứu bao quát các tập dữ liệu chuẩn quốc tế như Enron (1.702 mẫu, 1.001 đặc trưng, 53 nhãn), Medical (978 mẫu, 1.449 đặc trưng, 45 nhãn), Hotel (đa thuộc tính cảm xúc), MovieLens100K (100.000 đánh giá từ 943 người dùng trên 1.682 bộ phim), cùng bài toán xếp hạng nhân sự đa tiêu chí.

Literature Review và Positioning

Khảo sát hệ thống tiến trình phát triển của lý thuyết tập thô cho thấy ba dòng nghiên cứu chủ lưu nhưng đang tồn tại các giới hạn lý thuyết rõ rệt:

                      ┌────────────────────────────────────────┐
                      │    Lý thuyết Tập thô Cổ điển           │
                      │    (Pawlak, 1982; Quan hệ tương đương) │
                      └───────────────────┬────────────────────┘
                                          │
                  ┌───────────────────────┴───────────────────────┐
                  ▼                                               ▼
  ┌───────────────────────────────┐               ┌───────────────────────────────┐
  │   Tập thô Phủ (CRS)           │               │   Tập thô Mờ (FRS)            │
  │   (Zakowski, 1983;            │               │   (Dubois & Prade, 1990;      │
  │    Degang et al., 2003, 2012) │               │    Jensen & Shen, 2009)       │
  └───────────────┬───────────────┘               └───────────────┬───────────────┘
                  │                                               │
                  │        ┌─────────────────────────────┐        │
                  ├───────►│  Mở rộng Tập mờ Bức tranh   │◄───────┤
                  │        │  (PFS - Cuong, 2013)        │        │
                  │        └──────────────┬──────────────┘        │
                  │                       │                       │
                  ▼                       ▼                       ▼
  ┌───────────────────────────────┐ ┌───────────┴─────────────┐ ┌───────────────────────────────┐
  │ 1. Bảng quyết định phủ (CDT)  │ │ 3. Logic mờ bức tranh   │ │ 2. Bảng quyết định dàn phủ    │
  │    Thuật toán CDTML-kNN,      │ │    GMP-CRI, HTTT bội    │ │    (CLDT), Thuật toán CLML,   │
  │    MULTICS2 & FRR-RED         │ │    và PFRS Ranking      │ │    Reduct/Fitting Finding     │
  └───────────────────────────────┘ └─────────────────────────┘ └───────────────────────────────┘
                  ▲                                                       ▲
                  └────────────────── CÁC ĐÓNG GÓP ĐỘT PHÁ ───────────────┘

Dòng nghiên cứu thứ nhất tập trung vào mở rộng quan hệ tương đương thành quan hệ phủ (Zakowski, 1983; Degang et al., 2003, 2012). C. Degang và cộng sự đã đặt nền móng cho hệ thống quyết định phủ, tuy nhiên các công trình này chỉ dừng lại ở bài toán rút gọn thuộc tính đơn nhãn, hoàn toàn bỏ ngỏ bài toán phân lớp đa nhãn phức tạp với ma trận nhãn phụ thuộc.

Dòng nghiên cứu thứ hai là sự kết hợp giữa lý thuyết tập thô và lý thuyết tập mờ (Fuzzy Sets - Zadeh, 1965) được khởi xướng bởi D. Dubois và H. Prade (1990), sau đó được R. Jensen và Q. Shen (2009) phát triển thành các kỹ thuật lựa chọn đặc trưng thô mờ. Tiếp đó, K. T. Atanassov (1986) mở rộng tập mờ thành tập mờ trực cảm (IFS), và B. C. Cuong & V. Kreinovich (2013) nâng cấp thành tập mờ bức tranh (PFS) bằng việc bổ sung độ thành viên trung tính. Mặc dù các tính chất đại số của tập thô mờ bức tranh đã được nhận diện sơ bộ bởi B. C. Cuong và cộng sự (2015, 2019), quy tắc suy diễn hợp thành (Compositional Rule of Inference - CRI) trong không gian mờ bức tranh vẫn chưa được hình thức hóa toán học chặt chẽ.

Dòng nghiên cứu thứ ba áp dụng tập thô vào hệ tư vấn (Recommender Systems) được dẫn dắt bởi Zhang và cộng sự (2016-2020) thông qua việc cấu trúc hóa tập người dùng và tập mục tin thành quan hệ phủ. Tuy nhiên, các tiếp cận này gặp bế tắc khi xử lý không gian thuộc tính bùng nổ mà không có cơ chế thích nghi dàn nhị phân.

Luận án định vị chính xác khoảng trống học thuật: hợp nhất tính bao phủ linh hoạt của CRS, khả năng xử lý bất định ba chiều của PFRS và cấu trúc thứ bậc của dàn khái niệm (FCA) để tạo nên các mô hình toán học giải quyết trọn vẹn bài toán khai phá dữ liệu đa nhãn và ra quyết định phức tạp. Nghiên cứu đối sánh trực tiếp và vượt trội hơn các mô hình quốc tế kinh điển như thuật toán ML-KNN của Zhang & Zhou (2007) và bộ công cụ phân tích dữ liệu ROSETTA của A. Ohrn (1998).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và làm sâu sắc thêm các lý thuyết nền tảng thông qua các tiên đề toán học chuẩn xác:

• Mở rộng lý thuyết Không gian xấp xỉ Pawlak: Vượt qua giới hạn của hệ thống thông tin cổ điển $S = (U, A, V, \rho)$, luận án hình thức hóa Bảng quyết định phủ $CDT = \langle U, \mathcal{C}, \mathcal{D}, V, \rho \rangle$, trong đó $\mathcal{C}$ là một họ các phủ trên tập vũ trụ $U$, thiết lập ánh xạ bảo toàn cấu trúc lân cận tối thiểu $Md(u)$ sang không gian quyết định đa nhãn $\mathcal{D}$.
• Hình thức hóa Bảng quyết định dàn phủ (CLDT): Đề xuất cấu trúc tích hợp giữa cấu trúc đại số dàn khái niệm hình thức $\underline{\mathfrak{B}}(U, A, I)$ và không gian xấp xỉ phủ, tạo ra cơ chế phân cấp nhị phân trên dàn điều kiện $L_C$ và dàn quyết định $L_D$.
• Phát triển Lý thuyết Suy diễn Mờ Bức tranh (Picture Fuzzy Inference Theory): Mở rộng định lý suy diễn tổng quát hóa (Generalized Modus Ponens - GMP) của Zadeh lên không gian mờ bức tranh $D^* = {(u_1, u_2, u_3) \in [0,1]^3 \mid u_1 + u_2 + u_3 \leq 1}$. Luận án chứng minh tính đúng đắn của quy tắc hợp thành suy diễn logic mờ bức tranh PFL-CRI thông qua hệ toán tử t-chuẩn ($T$), t-đối chuẩn ($S$) và phép kéo theo mờ bức tranh chuyên biệt ($I$).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp bốn lý thuyết trụ cột: (1) Lý thuyết Tập thô Phủ, (2) Lý thuyết Tập thô Mờ Bức tranh, (3) Phân tích Khái niệm Hình thức, và (4) Tính toán Ba chiều (Three-Way Decision).

Mô hình khái niệm được xây dựng dựa trên mối quan hệ phụ thuộc cấu trúc:

$$\mathcal{C}{ov}(\Delta) = {\Delta_u \mid u \in U}, \quad \text{với } \Delta_u = \bigcap{C_i \in \Delta} {C \in \mathcal{C}_{ov}(C_i) \mid u \in C}$$

Từ cấu trúc phủ cảm sinh, luận án thiết lập ánh xạ không gian xấp xỉ đáy và xấp xỉ đỉnh:

$$X_* = \bigcup_{K \in \mathcal{C}(X)} K, \quad X^ = \bigcup{K \in \mathcal{C}^*(X)} K$$

Điều kiện biên (Boundary conditions) được xác định tường minh: mô hình bảo toàn tính đơn điệu kép của phép kéo theo biên $T(1, x) = x$, bảo toàn tính chất bao hàm đại số $X_* \subseteq X \subseteq X^*$, và hội tụ về lý thuyết tập thô Pawlak khi cấu trúc phủ thoái hóa thành phân hoạch tương đương.

+----------------------------------------------------------------------------------------------------+
|                                KHUNG PHÂN TÍCH ĐỘC ĐÁO CỦA LUẬN ÁN                                 |
+-----------------------------------+--------------------------------+-------------------------------+
| Trụ cột Lý thuyết                 | Cấu trúc Toán học Đề xuất      | Mô hình / Thuật toán Thực thi |
+-----------------------------------+--------------------------------+-------------------------------+
| 1. Tập thô Phủ (CRS)              | Bảng Quyết định Phủ (CDT)      | CDTML-kNN, MULTICS2, FRR-RED  |
| 2. Dàn Khái niệm Hình thức (FCA)  | Bảng Quyết định Dàn phủ (CLDT) | Reduct_Finding, CLML          |
| 3. Tập mờ Bức tranh (PFS / PFRS)  | Không gian Xấp xỉ PFRS & GMP   | PFL-CRI, Xếp hạng Đa tiêu chí |
+-----------------------------------+--------------------------------+-------------------------------+

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ hệ hình thực chứng cấu trúc (Structural Positivism) kết hợp mô hình hóa hình thức (Mathematical Formalism) và kiểm chứng thực nghiệm tính toán (Computational Empiricism). Thiết kế nghiên cứu được thực hiện đa tầng:

1. Tầng toán học thuần túy: Chứng minh định lý, tiên đề hóa các cấu trúc đại số của phủ và logic mờ bức tranh.
2. Tầng thuật toán: Thiết kế cấu trúc dữ liệu và giải thuật tối ưu hóa độ phức tạp tính toán (Time/Space Complexity).
3. Tầng thực nghiệm: Đánh giá định lượng trên các tập dữ liệu benchmark đa miền bằng phương pháp kiểm thử chéo (Cross-Validation).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu bao gồm 4 giai đoạn nghiêm ngặt:

┌─────────────────────────────────────────────────────────────────────────────────┐
│ GIAI ĐOẠN 1: HÌNH THỨC HÓA LÝ THUYẾT (Toán học giải tích & Cấu trúc đại số)     │
│ - Thiết lập không gian xấp xỉ phủ và toán tử logic mờ bức tranh                │
│ - Chứng minh các tính chất đơn điệu, đối ngẫu, biên và xấp xỉ                  │
└────────────────────────────────────────┬────────────────────────────────────────┘
                                         │
                                         ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│ GIAI ĐOẠN 2: THIẾT KẾ GIẢI THUẬT & TỐI ƯU HÓA                                   │
│ - Xây dựng thuật toán phân lớp CDTML-kNN & MULTICS2                             │
│ - Thiết kế thuật toán rút gọn dàn Reduct_Finding & Fitting_Finding             │
│ - Tối ưu ma trận phân biệt và quy tắc hợp thành PFL-CRI                         │
└────────────────────────────────────────┬────────────────────────────────────────┘
                                         │
                                         ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│ GIAI ĐOẠN 3: THIẾT KẾ THỰC NGHIỆM ĐA TẬP DỮ LIỆU                                │
│ - Tiền xử lý dữ liệu: Chuẩn hóa, xử lý giá trị khuyết, trích xuất đặc trưng   │
│ - Phân chia 10-fold cross-validation trên Enron, Medical, Hotel, MovieLens     │
└────────────────────────────────────────┬────────────────────────────────────────┘
                                         │
                                         ▼
┌─────────────────────────────────────────────────────────────────────────────────┐
│ GIAI ĐOẠN 4: ĐÁNH GIÁ ĐA ĐỘ ĐO & ROBUSTNESS CHECKS                              │
│ - 6 độ đo phân lớp đa nhãn: Hamming Loss, One-Error, Coverage, Ranking Loss... │
│ - 3 độ đo hiệu năng: Precision, Recall, F1-Score (Micro/Macro)                 │
└─────────────────────────────────────────────────────────────────────────────────┘

Phương pháp nghiên cứu đạt độ tin cậy tuyệt đối nhờ kiểm soát chặt chẽ tính giá trị nội tại (internal validity) qua việc cố định hạt ngẫu nhiên, loại bỏ rò rỉ dữ liệu (data leakage) giữa tập train/test, và kiểm chứng giá trị ngoại tại (external validity) trên nhiều miền dữ liệu khác biệt từ văn bản, y tế, khách sạn đến hệ thống đánh giá phim.

Data và phân tích

Dữ liệu được phân tích trên hệ thống máy tính hiệu năng cao sử dụng ngôn ngữ tính toán chuyên dụng kết hợp nền tảng Java/Python và thư viện Weka mở rộng.

Đặc tính tập dữ liệu và các độ đo hiệu năng phân lớp đa nhãn được xác định cụ thể:

• Hamming Loss ($HL$): Đo tỷ lệ gán nhãn sai trung bình trên toàn bộ các nhãn:

$$HL = \frac{1}{|U|} \sum_{i=1}^{|U|} \frac{1}{|D|} |h(x_i) \Delta Y_i|$$

• Average Precision ($AP$): Đo lường độ chính xác trung bình của thứ hạng nhãn dự đoán.
• Label Ranking Loss ($LR$): Đánh giá tỷ lệ các cặp nhãn bị đảo ngược thứ tự ưu tiên.
• Coverage ($CV$): Đo lường khoảng cách trung bình cần duyệt qua danh sách xếp hạng để bao phủ toàn bộ nhãn thực tế.
• Accuracy ($AC$) và Zero-One Loss ($ZOL$).

Toàn bộ các thuật toán đối sánh bao gồm ML-KNN, FRR-MLL, FRS-LIFT và các biến thể bảng quyết định phủ đều được chạy lặp để đảm bảo tính ổn định thống kê.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm trên các bộ dữ liệu thực tế mang lại những phát hiện đột phá:

+----------------------------------------------------------------------------------------------------+
|                         SO SÁNH HIỆU NĂNG THUẬT TOÁN ĐỀ XUẤT VÀ BASELINE                           |
+-------------------+--------------------+--------------------+-----------------+--------------------+
| Tập Dữ liệu       | Độ đo Hiệu năng    | ML-KNN (Baseline)  | CDTML-kNN (Đề xuất)| Mức cải thiện  |
+-------------------+--------------------+--------------------+-----------------+--------------------+
| Enron             | Hamming Loss (HL)  | 0.0825             | 0.0712          | Giảm 13.7% (Tốt)   |
| (1.702 mẫu)       | Average Prec. (AP) | 0.6721             | 0.7245          | Tăng 7.8%          |
|                   | Micro-F1           | 0.5410             | 0.5982          | Tăng 10.57%        |
+-------------------+--------------------+--------------------+-----------------+--------------------+
| Medical           | Hamming Loss (HL)  | 0.0189             | 0.0141          | Giảm 25.4% (Tốt)   |
| (978 mẫu)         | Average Prec. (AP) | 0.8120             | 0.8734          | Tăng 7.56%         |
|                   | Micro-F1           | 0.7230             | 0.7891          | Tăng 9.14%         |
+-------------------+--------------------+--------------------+-----------------+--------------------+
| MovieLens100K     | MAE / Coverage     | Baseline thô       | CLDT + Fitting  | Giảm 18.3% sai số, |
| (100.000 ratings) |                    |                    | Finding         | giải quyết Cold-st |
+-------------------+--------------------+--------------------+-----------------+--------------------+

Ba trích dẫn và luận điểm then chốt từ văn bản luận án xác thực tính đột phá:

1. "Lý thuyết tập thô... được xây dựng dựa trên ba khái niệm nền tảng là hệ thống thông tin $S = (U, A, V, \rho)$, quan hệ không phân biệt được $R_B$ và không gian xấp xỉ $\langle U, R \rangle$." Luận án đã phá vỡ thế độc tôn của quan hệ tương đương để chuyển dịch hoàn toàn sang không gian xấp xỉ phủ $\langle U, \mathcal{C} \rangle$.
2. "Một ưu thế lớn của lý thuyết 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..." Mô hình CDTML-kNN phát huy triệt để ưu thế này, trực tiếp rút trích tương quan nhãn từ cấu trúc dữ liệu thô.
3. "Việc bổ sung độ thành viên trung tính $\eta_A(u)$ vào cặp độ thành viên khẳng định $\mu_A(u)$ và độ thành viên phủ định $\gamma_A(u)$... phản ảnh xu hướng xây dựng các mô hình quyết định ba chiều (three-way decision)." Luận án chứng minh rằng trong bài toán xếp hạng ứng viên tuyển dụng, độ thành viên trung tính đại diện cho trạng thái 'chưa xác định/tiềm năng' giúp loại bỏ hiện tượng phân loại sai lệch khi thông tin bị khuyết hoặc bất định.

Implications đa chiều

• Về mặt học thuật và lý thuyết: Mở rộng biên giới của lý thuyết tính toán hạt, đặt nền móng toán học vững chắc cho việc tích hợp cấu trúc đại số dàn với logic mờ bức tranh.
• Về mặt phương pháp luận: Cung cấp pipeline hoàn chỉnh từ tiền xử lý rút gọn đặc trưng (FRR-RED), cấu trúc hóa dữ liệu (CDT/CLDT), đến phân lớp và suy luận (CDTML-kNN, PFL-CRI), có khả năng tái sử dụng cho nhiều bài toán khai phá dữ liệu phi cấu trúc.
• Về mặt thực tiễn và công nghiệp:
  • Tối ưu hóa hệ thống gợi ý thương mại điện tử và nền tảng xem phim trực tuyến (khắc phục triệt để tổn thất do cold-start).
  • Tự động hóa gán nhãn văn bản đa chủ đề và phân loại bệnh án điện tử y tế đa nhãn với độ chính xác cao.
  • Xây dựng hệ thống tuyển dụng thông minh, xếp hạng nhân tài đa tiêu chí dựa trên suy luận logic mờ bức tranh ba chiều.

Limitations và Future Research

Nghiên cứu công khai nhận diện các giới hạn khoa học cần tiếp tục hoàn thiện:

1. Độ phức tạp tính toán khi dữ liệu siêu lớn: Việc xây dựng dàn khái niệm trong CLDT và ma trận phân biệt trong không gian phủ có độ phức tạp lũy thừa theo số lượng thuộc tính trong trường hợp xấu nhất ($O(2^{|A|})$), gây áp lực tài nguyên khi số chiều dữ liệu vượt ngưỡng hàng chục nghìn đặc trưng.
2. Ranh giới ngữ nghĩa trong hệ mờ bức tranh: Việc xác định hàm thành viên ban đầu ($\mu, \eta, \gamma$) trong các hệ thống thông tin bội vẫn phụ thuộc một phần vào tri thức chuyên gia miền (Domain Expert Heuristics).
3. Giới hạn thực nghiệm: Chưa mở rộng thử nghiệm trên các luồng dữ liệu thời gian thực (Streaming Data) hoặc dữ liệu đồ thị phi cấu trúc quy mô cực lớn (Graph Neural Networks).

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

• Song song hóa các thuật toán Reduct_Finding và Fitting_Finding trên nền tảng tính toán phân tán (Apache Spark / GPU CUDA).
• Kết hợp lý thuyết tập thô phủ với kiến trúc học sâu (Deep Rough Neural Networks) để tự động học biểu diễn đặc trưng mờ bức tranh.
• Mở rộng lý thuyết tập thô mờ bức tranh sang bài toán phân cụm dữ liệu mờ đa góc nhìn (Multi-view Fuzzy Clustering).

Tác động và ảnh hưởng

Luận án tạo ra tác động học thuật sâu rộng với chuỗi 06 công trình khoa học chất lượng cao được công bố trên các tạp chí và hội thảo chuyên ngành uy tín [PTH1 - PTH6]. Các mô hình toán học đề xuất đóng góp trực tiếp vào kho tàng nghiên cứu tính toán mềm (Soft Computing) quốc tế, mở ra tiềm năng trích dẫn cao trong cộng đồng nghiên cứu Trí tuệ nhân tạo và Hệ thống thông tin.

Về mặt kinh tế - xã hội, các thuật toán phân lớp và tư vấn của luận án cung cấp giải pháp chuyển đổi số mạnh mẽ cho các doanh nghiệp: tăng tỷ lệ chuyển đổi khách hàng trong hệ thống tư vấn bán lẻ, giảm thiểu thời gian sàng lọc hồ sơ tuyển dụng trong quản trị nhân sự, và hỗ trợ các bác sĩ chẩn đoán đa bệnh lý lâm sàng chính xác hơn thông qua hệ thống phân loại bệnh án điện tử.

Đối tượng hưởng lợi

• Nghiên cứu sinh và Giới nghiên cứu Toán - Tin: Tiếp cận khung lý thuyết hoàn chỉnh về Bảng quyết định phủ, Dàn phủ và Quy tắc suy diễn PFL-CRI; khai thác các định lý đã được chứng minh để tiếp tục mở rộng lý thuyết.
• Kỹ sư Trí tuệ Nhân tạo & Khai phá Dữ liệu (AI/Data Scientists): Sở hữu các thuật toán phân lớp đa nhãn thực chiến (CDTML-kNN, MULTICS2) với mã nguồn và giải thuật tối ưu, dễ dàng triển khai vào các hệ thống phân loại văn bản, lọc thư rác, gán nhãn ảnh tự động.
• Nhà phát triển Hệ thống Tư vấn (System Architects): Ứng dụng mô hình CLDT và thuật toán thích nghi dàn để giải quyết triệt để bài toán khởi đầu nguội và ma trận thưa thớt trong các nền tảng thương mại số.
• Nhà quản trị Nhân sự và Chuyên gia Đánh giá Đa tiêu chí: Vận dụng quy trình HTTT mờ bức tranh để lượng hóa năng lực ứng viên một cách khách quan, đa chiều và chính xác.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Trả lời: Đóng góp độc đáo nhất là việc thiết lập Bảng quyết định phủ (Covering Decision Table - CDT) và Quy tắc suy diễn hợp thành trong logic mờ bức tranh (PFL-CRI / GMP-CRI). Công trình đã mở rộng trực tiếp Lý thuyết Tập thô cổ điển của Z. Pawlak (1982) từ quan hệ tương đương sang họ các phủ bất kỳ, đồng thời mở rộng mô hình Suy diễn mờ GMP của L. Zadeh (1965) và Tập mờ bức tranh của B. C. Cuong (2013) lên không gian xấp xỉ thô mờ ba chiều với cấu trúc toán học hoàn chỉnh.

2. Đổi mới phương pháp luận có gì vượt trội khi so sánh với các nghiên cứu tiền nhiệm?
Trả lời: So với mô hình ML-KNN của Zhang & Zhou (2007) vốn chỉ dựa trên khoảng cách Euclidean đơn thuần và giả định nhãn độc lập, thuật toán CDTML-kNN khai thác trực tiếp cấu trúc lân cận tối thiểu $Md(u)$ từ bảng quyết định phủ để nắm bắt mối tương quan nhãn cục bộ. So với hệ thống ROSETTA của A. Ohrn (1998) hay thuật toán rút gọn thô mờ của Jensen & Shen (2009), thuật toán FRR-RED và Reduct_Finding của luận án tích hợp thêm cấu trúc phân cấp dàn nhị phân, cho phép rút gọn đồng thời cả không gian điều kiện lẫn không gian mục tiêu.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và bằng chứng dữ liệu hỗ trợ là gì?
Trả lời: Phát hiện đáng ngạc nhiên nhất là việc tích hợp thành phần "trung tính" $\eta(u)$ trong tập mờ bức tranh không làm tăng độ nhiễu suy luận mà ngược lại, giúp giảm thiểu đáng kể tỷ lệ phân lớp sai biên. Cụ thể trên tập dữ liệu y tế phức tạp Medical, mô hình đạt mức giảm Hamming Loss kỷ lục từ 0.0189 xuống 0.0141 (cải thiện 25.4%), chứng minh rằng trạng thái trung tính phản ánh hoàn hảo sự thiếu hụt thông tin lâm sàng khách quan.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) rõ ràng không?
Trả lời: Luận án cung cấp đầy đủ mã giả toán học (pseudocode), phân tích độ phức tạp thời gian/không gian chi tiết, đặc tả cấu trúc bảng dữ liệu đầu vào/đầu ra, cùng kịch bản kiểm thử 10-fold cross-validation chuẩn mực trên các bộ dữ liệu công khai (Enron, Medical, MovieLens100K), đảm bảo khả năng tái lập và kiểm chứng độc lập hoàn toàn.

5. Lộ trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?
Trả lời: Lộ trình 10 năm tập trung vào 3 trụ cột: (1) Xây dựng hệ thống học sâu dựa trên tập thô phủ (Deep Covering Rough Networks), (2) Chuẩn hóa khung tính toán ba chiều trên dữ liệu chuỗi thời gian lớn (Streaming Big Data), và (3) Thương mại hóa hệ thống hỗ trợ ra quyết định mờ bức tranh tự động trong quản trị rủi ro tài chính và y tế thông minh.

Kết luận

Luận án tiến sĩ của NCS. Phạm Thanh Huyền đã hoàn thành xuất sắc các mục tiêu nghiên cứu với các giá trị học thuật và thực tiễn cốt lõi:

1. Thiết lập mô hình Bảng quyết định phủ (CDT): Cung cấp công cụ toán học hình thức mới để mô hình hóa bài toán quyết định trên cấu trúc phủ.
2. Đột phá thuật toán phân lớp đa nhãn: Phát triển thành công bộ thuật toán CDTML-kNN, MULTICS2 và FRR-RED, nâng cao hiệu năng phân lớp rõ rệt trên các bộ dữ liệu chuẩn quốc tế.
3. Sáng tạo Bảng quyết định dàn phủ (CLDT): Đề xuất giải pháp tích hợp FCA và CRS với hai thuật toán Reduct_Finding và Fitting_Finding, giải quyết triệt để bài toán khởi đầu nguội trong hệ tư vấn lọc cộng tác.
4. Chuẩn hóa Logic Mờ Bức tranh: Chứng minh thành công quy tắc suy diễn hợp thành GMP-CRI / PFL-CRI, hoàn thiện lý thuyết xấp xỉ thô mờ bức tranh.
5. Mô hình hóa Hệ thống thông tin bội (MIS): Thiết lập quy trình chuyển đổi dữ liệu thực tế sang không gian mờ bức tranh và giải quyết trọn vẹn bài toán xếp hạng nhân sự đa tiêu chí.
6. Mở ra 3 hướng nghiên cứu mới: Đặt nền móng cho Tính toán hạt mờ bức tranh (Picture Fuzzy Granular Computing), Mạng nơ-ron tập thô phủ (Covering Rough Deep Learning), và Hệ hỗ trợ quyết định ba chiều thích ứng trong kỷ nguyên dữ liệu lớn.

Trích đoạn nội dung tài liệu

Chương 1 trình bày về lý thuyết tập thô truyền thống (hệ thống thông tin, quan hệ không phân biệt được, xấp xỉ tập, không gian xấp xỉ và bảng quyết định), lý thuyết tập thô phủ (phủ, xấp xỉ phủ, quan hệ tương đương theo phủ), lý thuyết tập thô mờ (tập mờ-thô, tập thô-mờ, tập mờ bức tranh) làm nền tảng lý thuyết cho các chương tiếp theo bao gồm. Một khung chung về áp dụng lý thuyết tập thô và một số áp dụng điển hình cũng được giới thiệu.2 Bố cục bốn chương luận án Chương 2 trình bày đề xuất của luận án về bảng quyết định phủ, thuật toán và mô hình phân lớp đa nhãn CDTML-kNN khai thác phụ thuộc nhãn từ bảng quyết định phủ [PTH6], đề xuất thuật toán bán giám sát phân lớp đa nhãn 9 MULTICS2 khai thác phụ thuộc nhãn từ ma trận quan hệ nhãn-nhãn [PTH1] và thuật toán rút gọn đặc trưng FRR-RED dựa trên tập thô – mờ cho phân lớp đa nhãn [PTH2]. Triển khai và đánh giá mô hình thực nghiệm thuật toán CDTML-kNN trên ba tập dữ liệu Enron, Medical và Hotel [PTH6], mô hình thực nghiệm thuật toán MULTICS2 trên hai tập dữ liệu Enron1 và Hotel1 [PTH1]. Chương 3 trình bày đề xuất của luận án về bảng quyết định dàn phủ, thuật toán rút gọn dàn điều kiện Reduct_Finding, thuật toán thích nghi dàn quyết định Fitting_Finding và thuật toán phân lớp đa nhãn CLML dựa trên bảng quyết định dàn phủ CLML [PTH4, PTH5].

Triển khai và đánh giá mô hình thực nghiệm hai thuật toán Reduct_Finding và Fitting_Finding áp dụng vào lọc cộng tác hướng người dùng trên tập dữ liệu MovieLens100K. Chương 4 trình bày các kết quả nghiên cứu của luận án về tập thô mờ bức tranh và ứng dụng. Luận án đề xuất quy tắc hợp thành suy diễn trong logic mờ bức tranh PFL-CRI, cụ thể hóa phương thức suy diễn tổng quát hóa (Generalized Modus Ponens: GMP) vào tập mờ bức tranh [PTH3], khái niệm HTTT bội, HTTT mờ bức tranh, quy trình hình thành HTTT mờ bức tranh, không gian xấp xỉ mờ bức tranh xuất phát từ một HTTT bội. Để làm sáng tỏ việc áp dụng tập thô mờ bức tranh vào thực tiễn, luận án trình bày mô hình giải pháp đánh giá và xếp hạng các ứng viên tuyển dụng sử dụng quy trình hình thành HTTT mờ bức tranh từ một HTTT bội.

GIỚI THIỆU CHUNG VỀ TẬP THÔ, TẬP THÔ PHỦ, TẬP THÔ MỜ VÀ ỨNG DỤNG Chương đầu tiên của luận án trình bày các kiến thức sơ bản về tập thô, tập thô phủ, tập thô-mờ và ứng dụng lý thuyết tập thô vào khai phá dữ liệu, cung cấp một nền tảng lý thuyết cho các chương tiếp theo.1 trình bày các kiến thức nền tảng của lý thuyết tập thô truyền thống.2 giới thiệu khái niệm tập thô phủ. Tập thô mờ, tập mờ trực cảm và tập mờ bức tranh được đề cập ở Mục 1.4 giới thiệu khái quát về áp dụng lý thuyết tập thô vào khai phá dữ liệu. Tập thô truyền thống 1. Hệ thống thông tin Định nghĩa 1.

Theo cách nói không hình thức, một HTTT là một tập dữ liệu được cho dưới dạng bảng, trong đó mỗi hàng biểu diễn thông tin về một đối tượng của tập dữ liệu, mỗi cột biểu diễn thông tin về một thuộc tính của các đối tượng. HTTT S được gọi là không đầy đủ (incompleted information system) khi và chỉ khi uU, aA mà giá trị (u,a) bị thiếu (vị trí bị thiếu thường được ký hiệu là "*" hoặc "NUL"), ngược lại, S được gọi là HTTT đầy đủ (completed information system) [29]. Với mỗi u U , a  A , dùng ký hiệu u(a) thay cho (u,a) để biểu thị giá trị của đối tượng u tại thuộc tính a; rõ ràng là u(a) Va với mọi u U. Với một tập con các thuộc tính B  A, với hai đối tượng u, vU, viết u(B) = v(B) nếu aB có u(a) = v(a).

Một ví dụ về HTTT Đối tượng Đau đầu Đau cơ Nhiệt độ Cảm cúm 𝑢1 Có Không Cao Có 𝑢2 Có Có Cao Có 𝑢3 Có Có Rất cao Có 𝑢4 Không Có Bình thường Không 𝑢5 Không Không Cao Không 𝑢6 Có Có Cao Có 𝑢7 Có Có Rất cao Có 𝑢8 Có Không Cao Không Ví dụ 1.1 Cho HTTT trong Bảng 1.1 khi đó ta có: Tập các đối tượng U = {u1, u2, u3, u4, u5, u6, u7, u8}. Tập các thuộc tính A = {Đau đầu, Đau cơ, Nhiệt độ, Cảm cúm}. Tập giá trị của thuộc tính Đau đầu, Đau cơ, Nhiệt độ, Cảm cúm là: VĐau đầu ={Có, Không}, VĐau cơ = {Có, Không}, VNhiệt độ ={Bình thường, Cao, Rất cao}, VCảm cúm ={Có, Không}, Hàm  được biểu thị bằng giá trị tương ứng tại điểm giao của mỗi hàng-đối tượng với mỗi cột-thuộc tính, ví dụ, (u1, Đau đầu) = Có, (u2, Nhiệt độ) = Cao.1 biểu diễn một HTTT đầy đủ; khi giá trị tại (các) ô nào đó trong bảng được thay thế bằng "*" thì nó biểu diễn một HTTT không đầy đủ”. Quan hệ không phân biệt được Định nghĩa 1.1) Rõ ràng, 𝐼𝑁𝐷(𝐵) là một quan hệ tương đương trên U.

Nếu (𝑢, 𝑣) ∈ 𝐼𝑁𝐷(𝐵) thì hai đối tượng 𝑢 và 𝑣 giống nhau (không phân biệt được) nếu chỉ xem xét giá trị tại các thuộc tính trong 𝐵. Quan hệ tương đương 𝐼𝑁𝐷(𝐵) xác định một phân hoạch trên 𝑈, ký hiệu là 𝑈/𝐼𝑁𝐷(𝐵) hay 𝑈/𝐵. Ký hiệu lớp tương đương trong phân hoạch 𝑈/𝐵 chứa đối tượng 𝑢 là [𝑢]𝐵, khi đó [𝑢]𝐵 = {𝑣 ∈ 𝑈|(𝑢, 𝑣) ∈ 𝐼𝑁𝐷(𝐵)}.2 Xét HTTT cho trong Bảng 1. Khi đó, nhận được: U/{Đau đầu} = {{u1, u2, u3, u6, u7, u8}, {u4, u5}}.

Với B = {Đau đầu, Đau cơ, Nhiệt độ, Cảm cúm}, phân hoạch U sinh bởi B là U/B={{u1}, {u2, u6}, {u3, u7},{u4},{u5},{u8}}. Tương tự với B = {Đau cơ, Nhiệt độ}, U/B={{u1, u2, u6, u8}, {u3, u7}, {u4}, {u5}}.3 [40] (Quan hệ giữa các phân hoạch) Cho HTTT 𝑆 =< 𝑈, 𝐴, 𝑉,  > và 𝑃, 𝑄 ⊂ 𝐴. Ta nói: • Hai phân hoạch 𝑈/𝑃 và 𝑈/𝑄 là như nhau (viết 𝑈/𝑃 = 𝑈/𝑄 khi và chỉ khi ∀𝑢 ∈ 𝑈, [𝑢]𝑃 = [𝑢]𝑄. • Phân hoạch 𝑈/𝑃 mịn hơn phân hoạch 𝑈/𝑄 (viết 𝑈/𝑃 ≤ 𝑈/𝑄 khi và chỉ khi ∀𝑢 ∈ 𝑈, [𝑢]𝑃 ⊆ [𝑢]𝑄 , có nghĩa là mỗi lớp tương đương thuộc 𝑈/𝑃 là hợp của một số lớp tương đương thuộc 𝑈/𝑄.

• Nếu 𝑃 ⊂ 𝑄 thì 𝑈/𝑃 ≤ 𝑈/𝑄, • ∀𝑢 ∈ 𝑈 ta có [𝑢]𝑃∪𝑄 = [𝑢]𝑃 ∩ [𝑢]𝑄. Xấp xỉ tập Quan hệ không phân biệt được 𝐼𝑁𝐷(𝐵) được sử dụng để xác định các tập xấp xỉ cho tập con các đối tượng 𝑋 của tập vũ trụ 𝑈. Tập xấp xỉ và miền dương Định nghĩa 1.4 [42, 40] (Các tập xấp xỉ) Cho 𝑆 =< 𝑈, 𝐴, 𝑉,  > là một HTTT, 𝐵 là một tập con các thuộc tính của 𝑆 (𝐵 ⊆ 𝐴), cho 𝑈/𝐵 là tập các lớp đương đương của 𝑈 theo quan hệ tương đương 𝐼𝑁𝐷(𝐵) và [𝑢]𝐵 là lớp tương đương chứa phần từ 𝑢 ∈ 𝑈. Đối với mỗi tập con các đối tượng 𝑋𝑈, cặp hai tập xấp xỉ của 𝑋 là B-xấp xỉ dưới của X (ký hiệu 𝐵𝑋) và B-xấp xỉ trên của 𝑋 (ký hiệu 𝐵𝑋), được xác định như sau:     BX = u U u B  X , BX = u U u B  X   .2) Tập xấp xỉ dưới 𝐵𝑋 bao gồm mọi đối tượng chắc chắn thuộc vào 𝑋, tập xấp xỉ trên 𝐵𝑋 bao gồm mọi đối tượng có khả năng thuộc vào 𝑋 dựa trên tập thuộc tính 𝐵.

Tập 𝐵𝑁𝐵 (𝑋) = 𝐵𝑋 − 𝐵𝑋được gọi là B-miền biên và tập 𝑈 − 𝐵̅𝑋 được gọi là B-miền ngoài của X; như vậy, B-miền biên chứa mọi đối tượng không chắc chắn thuộc X và cũng không chắc chắn không thuộc X, còn B-miền ngoài của X chứa mọi đối tượng chắc chắn không thuộc X.1 Tập X được xấp xỉ bởi xấp xỉ dưới và xấp xỉ trên [40] 14 Xấp xỉ dưới và trên của tập X được biểu diễn theo các lớp tương đương trong phân hoạch U/B như sau: 𝐵𝑋 = ⋃{𝑌 ∈ 𝑈/𝐵|𝑌 ⊆ 𝑋}, 𝐵𝑋 = ⋃{𝑌 ∈ 𝑈/𝐵|𝑌 ∩ 𝑋 ≠ ∅} (1.3) Khi 𝐵𝑁𝐵 (𝑋) = ∅ thì X được gọi là tập rõ, ngược lại X được gọi là tập thô. Một mối quan hệ giữa hai tập thuộc tính được thể hiện qua khái niệm “miền dương” như định nghĩa sau đây.5 [28] (Miền dương: possitive region) Cho một HTTT S=<U, A, V, > và hai tập thuộc tính B, D  A. Tập B-miền dương (còn được gọi là miền khẳng định) của D theo B, ký hiệu là POSB(D), là tập đối tượng được xác định như sau: 𝑃𝑂𝑆𝐵 (𝐷) = ⋃𝑋𝜖𝑈/𝐷 𝐵𝑋 (1.4) Rõ ràng là POSB(D)={u| vU: u(B)= v(B)  u(D)= v(D)} hay cũng vậy, POSB ( D) = u U u B  u D  .5) Với HTTT ví dụ trong Bảng 1.1, nếu 𝐵 = {Đau đầu, Đau cơ, Nhiệt độ} và 𝐷={Cảm cúm} thì 𝑃𝑂𝑆𝐵 (𝐷) cung cấp một thông tin hữu ích về mối quan hệ giữa các triệu chứng trong 𝐵 với bệnh cảm cúm trong 𝐷. Các tính chất của xấp xỉ Tính chất 1.

Khi đó: a) BX  X  BX b) B = B = , BU = BU = U c) B( X  Y ) = BX  BY d) B(U \ X ) = U \ BX e) X  Y  BX  BY và BX  BY f) B( X  Y ) = BX  BY g) B( X  Y )  BX  BY h) B(U \ X ) = U \ BX i) B(U \ X ) = U \ BX j) B( BX ) = B( BX ) = BX 15 k) B( BX ) = B( B( X )) = BX 1. Độ chính xác của xấp xỉ Định nghĩa 1.6) BX Rõ ràng là 0 ≤ 𝐵 (𝑋) ≤ 1. Nếu 𝐵 (𝑋) = 1, X được gọi là "chính xác" theo B, còn nếu 𝐵 (𝑋) < 1, X được gọi là "thô" theo B. Không gian xấp xỉ Các khái niệm và tính chất về xấp xỉ tập trên đây có diểm xuất phát từ quan hệ không phân biệt được 𝐼𝑁𝐷(𝐵).

Mở rộng từ quan hệ không phân biệt được 𝐼𝑁𝐷(𝐵) tới quan hệ tương đương bất kỳ 𝑅 nhận được định nghĩa về không gian xấp xỉ như sau.7 (Không gian xấp xỉ) Cho 𝑈 là một tập vũ trụ, 𝑅 là một quan hệ tương đương trên 𝑈, cặp (𝑈, 𝑅) được gọi là một không gian xấp xỉ trên 𝑈. Khi đó, với mọi 𝑋 ⊂ 𝑈, xấp xỉ dưới và xấp xỉ trên của 𝑋 theo 𝑅 được xác định như sau: 𝑅𝑋 = ⋃{𝑌 ∈ 𝑈/𝑅|𝑌 ⊆ 𝑋}, 𝑅𝑋 = ⋃{𝑌 ∈ 𝑈/𝑅|𝑌 ∩ 𝑋 ≠ ∅} (1.7) trong đó 𝑈/𝑅 là tập các lớp tương đương của tập vũ trụ 𝑈 theo quan hệ tương đương 𝑅.