Tổng quan về luận án

Trong kỷ nguyên bùng nổ dữ liệu lớn (Big Data) và trí tuệ nhân tạo, khám phá tri thức từ cơ sở dữ liệu (Knowledge Discovery in Databases - KDD) đóng vai trò nền tảng để trích xuất các tri thức tiềm ẩn, chính xác và có giá trị dự báo. Tuy nhiên, sự gia tăng nhanh chóng về số chiều dữ liệu cùng tính chất phi cấu trúc, rời rạc và mơ hồ của dữ liệu phân loại (categorical data) đặt ra hai thách thức mang tính nghẽn cổ chai: sự bùng nổ không gian thuộc tính dẫn đến hiện tượng quá khớp (overfitting), và sự thiếu vắng hàm khoảng cách hình học tự nhiên (như metric Euclide hay Mahalanobis) trên không gian dữ liệu định danh. Luận án tiến sĩ chuyên ngành Khoa học máy tính (Mã số: 9480101) của nghiên cứu sinh Đỗ Sĩ Trường, dưới sự hướng dẫn khoa học của PGS.TS Nguyễn Thanh Tùng tại Trường Đại học Lạc Hồng (2023), mang tiêu đề "Phương pháp lựa chọn thuộc tính và kỹ thuật gom cụm dữ liệu phân loại sử dụng tập thô", đã giải quyết trực diện hai bài toán cốt lõi này bằng cách tích hợp Lý thuyết tập thô (Rough Set Theory - RST) với Lý thuyết thông tin Shannon (Information Entropy).

Khoảng trống nghiên cứu (research gap) được luận án định vị cụ thể: các thuật toán lựa chọn thuộc tính kinh điển (như QuickReduct, RelativeReduct, CEBARKNC) chủ yếu loại bỏ thuộc tính không liên quan nhưng thất bại trong việc loại bỏ thuộc tính dư thừa (redundant attributes), gây tăng độ phức tạp tính toán và suy giảm độ chính xác của các mô hình học máy; đồng thời, các thuật toán gom cụm dữ liệu phân loại dựa trên tập thô hiện hành (như MMR - Min-Min-Roughness, MGR - Mean Gain Ratio) thường gặp bất ổn định khi chọn thuộc tính phân cụm tối ưu, độ thuần khiết thấp và độ phức tạp cao trên các tập dữ liệu không cân bằng.

Để giải quyết các hạn chế trên, luận án thiết lập hai câu hỏi nghiên cứu và giả thuyết cụ thể:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để loại bỏ đồng thời cả thuộc tính không liên quan và thuộc tính dư thừa mà không làm suy giảm thông tin phân lớp của bảng quyết định?
    • Giả thuyết 1 (H1): Việc gom cụm các thuộc tính tương đồng trong không gian metric thông tin trước khi chọn thuộc tính đại diện sẽ tạo ra tập rút gọn xấp xỉ có kích thước tối tiểu và độ chính xác phân lớp vượt trội.
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để thiết lập một tiêu chuẩn phân cụm phân cấp không giám sát cho dữ liệu phân loại có khả năng xử lý triệt để độ không chắc chắn và tối ưu hóa độ thuần khiết cụm?
    • Giả thuyết 2 (H2): Tiêu chuẩn cực tiểu hóa Biến thể Thông tin Chuẩn hóa Trung bình (Minimum Mean Normalized Variation of Information) kết hợp với cực tiểu hóa Entropy tổng sẽ tối ưu hóa cấu trúc phân chia cụm đối với dữ liệu phân loại.

Khung lý thuyết của nghiên cứu được xây dựng trên nền tảng Lý thuyết tập thô Pawlak (1982) và Lý thuyết thông tin Shannon (1948). Đóng góp đột phá của luận án là việc đề xuất hai thuật toán mới: thuật toán rút gọn thuộc tính ACBRC (Attribute Clustering Based Reduct Computing) và thuật toán gom cụm phân cấp MMNVI (Minimum Mean Normalized Variation of Information). Nghiên cứu được kiểm chứng thực nghiệm nghiêm ngặt trên 8 bộ dữ liệu chuẩn quốc tế từ kho dữ liệu UCI (bao gồm Soybean Small, Breast Cancer Wisconsin, Car Evaluation, Vote, Chess, Mushroom, Balance Scale, Zoo), chứng minh khả năng cải thiện độ chính xác phân lớp với thuật toán học máy C5.0 và Naive Bayes, đồng thời vượt trội về chỉ số ngẫu nhiên hiệu chỉnh (ARI), thông tin tương hỗ chuẩn hóa (NMI) và độ thuần khiết tổng thể (Overall Purity - OP).

Literature Review và Positioning

Nghiên cứu về giảm chiều dữ liệu và phân tích dữ liệu phân loại trong KDD đã trải qua nhiều giai đoạn phát triển với các trường phái tiếp cận khác nhau:

[Hệ thống thông tin IS = (U, A)]
          │
          ├─────────────────────────────────────────┐
          ▼                                         ▼
   [Lựa chọn thuộc tính]                    [Gom cụm dữ liệu]
          │                                         │
   ┌──────┴──────────────────┐               ┌──────┴──────────────────┐
   ▼                         ▼               ▼                         ▼
[Tiếp cận truyền thống]   [Tiếp cận RST]   [Khoảng cách số học]    [Tiếp cận RST & Entropy]
- Filter (Shannon Entropy)- QuickReduct    - K-Means, K-Modes      - TR, MDA
- Wrapper (Heuristic)     - RelativeReduct - Gặp lỗi trên miền     - MMR (Parmar et al.)
- Bỏ sót tính dư thừa    - CEBARKNC       rời rạc phi thứ tự      - MGR (Herawan et al.)
          │                         │               │                         │
          └───────────┬─────────────┘               └───────────┬─────────────┘
                      ▼                                         ▼
              [Đề xuất ACBRC]                           [Đề xuất MMNVI]
          (Metric NVI + PAM Reduct)                 (Divisive Clustering + NVI)

Trường phái lựa chọn thuộc tính dựa trên đại số quan hệ và xấp xỉ thô khởi đầu từ công trình nền tảng của Zdzisław Pawlak (1982) với khái niệm quan hệ không phân biệt được $IND(B)$ và miền dương $POS_B(d) = \bigcup_{X \in U/d} \underline{B}X$. Tiếp đó, Skowron (1992) phát triển phương pháp ma trận phân biệt $M(DT) = (m_{ij})$ để tìm tập lõi $Core(C)$ và tất cả các tập rút gọn $Red(C)$. Tuy nhiên, phương pháp của Skowron có độ phức tạp tính toán $O(n^2)$ và việc tìm tập rút gọn tối ưu là bài toán NP-khó. Để giải quyết rào cản tính toán, Shen & Chouchoulas (2002) đề xuất thuật toán QuickReduct dựa trên độ phụ thuộc $\gamma_B(d) = \frac{|POS_B(d)|}{|U|}$, trong khi Han và cộng sự (2004) đưa ra thuật toán RelativeReduct dựa trên độ phụ thuộc tương đối $k_B(d) = \frac{card(U/IND(B))}{card(U/IND(B \cup {d}))}$ với độ phức tạp $O(kn \log n)$. Song song đó, Wang và cộng sự (2003) tích hợp entropy có điều kiện vào mô hình tập thô với thuật toán CEBARKNC nhằm xử lý các bảng quyết định không nhất quán. Mặc dù các thuật toán heuristic này giảm đáng kể chi phí tính toán, cuộc tranh luận lớn trong y văn vẫn chưa được giải quyết: các phương pháp heuristic bổ sung dần (Forward Selection) hoặc loại bỏ dần (Backward Elimination) có xu hướng giữ lại các thuộc tính có độ phụ thuộc cao nhưng lại tương quan mạnh với nhau, dẫn đến dư thừa thông tin nghiêm trọng.

Trong lĩnh vực gom cụm dữ liệu phân loại, các nghiên cứu quốc tế đã chỉ ra sự bế tắc của các giải thuật k-means khi áp dụng cho miền giá trị định danh $D$, nơi chỉ cho phép so sánh bằng ($a = b$) hoặc khác ($a \neq b$). Để vượt qua giới hạn này, Parmar và cộng sự (2007) giới thiệu thuật toán MMR (Min-Min-Roughness) sử dụng độ thô trung bình $Rough_{a_j}(a_i)$ để lựa chọn thuộc tính gom cụm. Sau đó, Herawan và cộng sự (2010) phát triển thuật toán MGR (Mean Gain Ratio) dựa trên tỷ lệ lợi thông tin để cải thiện độ phân tách cụm. Tuy vậy, các nghiên cứu quốc tế đối chứng cho thấy:

  1. Thuật toán MMR dễ rơi vào điểm bế tắc khi độ thô của nhiều thuộc tính triệt tiêu về 0, dẫn đến việc chọn thuộc tính phân cụm mang tính ngẫu nhiên.
  2. Thuật toán MGR của Herawan et al. nhạy cảm với các thuộc tính có số lượng giá trị lớn, gây thiên lệch trong quá trình phân nhánh dữ liệu.

Luận án của Đỗ Sĩ Trường định vị chính xác điểm giao thoa giữa Lý thuyết tập thô và Lý thuyết thông tin: sử dụng Biến thể thông tin chuẩn hóa $NVI(a, b)$ như một metric không gian thuộc tính phổ quát để cấu trúc hóa lại toàn bộ quy trình tính toán tập rút gọn (ACBRC) và phân hoạch dữ liệu phân tầng (MMNVI), khắc phục triệt để điểm mù về thuộc tính dư thừa và sự thiếu ổn định của các độ đo độ thô truyền thống.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng Lý thuyết tập thô kinh điển của Pawlak (1982) và Lý thuyết thông tin của Shannon (1948) thông qua các mệnh đề và mô hình toán học chặt chẽ:

  1. Chứng minh toán học tính chất Metric của Biến thể Thông tin Chuẩn hóa (NVI): Luận án hoàn thiện chứng minh hình thức khẳng định $NVI(a, b)$ là một khoảng cách metric hợp thức trên không gian thuộc tính $A$. Xuất phát từ định nghĩa: $$NVI(a, b) = 1 - \frac{I(a; b)}{H(a, b)} = \frac{H(a|b) + H(b|a)}{H(a, b)}$$ Dựa trên bất đẳng thức entropy có điều kiện $H(a|b) \le H(a|c) + H(c|b)$ (do việc bổ sung điều kiện luôn làm giảm entropy), luận án thiết lập chuỗi biến đổi đại số: $$\frac{H(a|b)}{H(a, b)} \le \frac{H(a|c) + H(c|b)}{H(b) + H(a|c) + H(c|b)} \le \frac{H(a|c)}{H(a, c)} + \frac{H(c|b)}{H(b, c)}$$ Từ đó chứng minh tổng quát bất đẳng thức tam giác: $$NVI(a, b) \le NVI(a, c) + NVI(c, b), \quad \forall a, b, c \in A$$ Kết quả này cung cấp cơ sở toán học vững chắc để áp dụng các giải thuật phân hoạch dựa trên tâm điểm thực tế (Medoids) vào không gian các biến định danh.

  2. Thiết lập mô hình quan hệ giữa Entropy và Miền dương Pawlak: Luận án làm sáng tỏ mối liên hệ bản chất: trong bảng quyết định nhất quán $DT = (U, C \cup {d})$, điều kiện dư thừa thuộc tính theo Entropy $\gamma_{C-{a}}(d) = \gamma_C(d) \Leftrightarrow H(d|C) = H(d|C - {a})$ là tương đương. Tuy nhiên, trong bảng quyết định không nhất quán, thuộc tính dư thừa theo Entropy bao hàm sự dư thừa theo miền dương Pawlak, chứng minh tính ưu việt của Entropy trong việc bảo toàn cấu trúc phân lớp dưới điều kiện dữ liệu nhiễu.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đồng thời ba cấu phần lý thuyết: Lý thuyết phân hoạch tập mờ/thô, Lý thuyết thông tin tương hỗ, và Giải thuật gom cụm Medoids (PAM).

                      KHUNG PHÂN TÍCH TỔNG HỢP
                                 │
     ┌───────────────────────────┴───────────────────────────┐
     ▼                                                       ▼
[Thuật toán ACBRC]                                  [Thuật toán MMNVI]
1. Lọc bỏ thuộc tính không liên quan               1. Loại bỏ thuộc tính đơn trị
   (dựa trên POS_C(d) / I(a; d))                      (|V_a| = 1)
2. Gom cụm thuộc tính bằng PAM                      2. Tính Biến thể TT Chuẩn hóa TB:
   - Metric khoảng cách: NVI(a, b)                    MNVI(a_i) = (1/|A|) * SUM NVI(a_i, a_j)
   - Xác định k_c cụm thuộc tính                    3. Chọn thuộc tính gom cụm:
3. Chọn đại diện có max \gamma_{a}(d)                  a* = argmin_{a_i} MNVI(a_i)
   => Tạo tập rút gọn xấp xỉ Red(C)                4. Tách cụm có min SUM H(x) & đệ quy
  • Quy trình ACBRC: Thay vì duyệt tuần tự từng thuộc tính điều kiện đơn lẻ, ACBRC thực hiện gom cụm toàn bộ không gian thuộc tính liên quan thành $k_c$ cụm bằng giải thuật Phân hoạch xung quanh Medoids (Partitioning Around Medoids - PAM) dựa trên metric $NVI$. Trong mỗi cụm, các thuộc tính có độ tương đồng thông tin cao (dư thừa lẫn nhau). ACBRC chỉ trích xuất một thuộc tính duy nhất có độ phụ thuộc lớn nhất đối với nhãn quyết định $d$: $$a^* = \arg\max_{a_i \in C_k} \gamma_{{a_i}}(d)$$ Cơ chế này loại bỏ triệt để tính dư thừa cục bộ và toàn cục mà vẫn bảo toàn năng lực dự báo.
  • Quy trình MMNVI: Hoạt động theo chiến lược phân đôi phân cấp (divisive hierarchical clustering). Tại mỗi nút phân nhánh, tiêu chuẩn chọn thuộc tính phân cụm là cực tiểu hóa biến thể thông tin chuẩn hóa trung bình: $$MNVI(a_i) = \frac{1}{|A|} \sum_{a_j \in A} NVI(a_i, a_j)$$ Lớp tương đương sinh bởi $a^*$ có tổng entropy $\sum H(x)$ nhỏ nhất được tách thành một cụm độc lập, phần còn lại hợp nhất để tiếp tục phân chia cho đến khi đạt số cụm $k$ định trước.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu theo đuổi quan điểm triết học thực chứng (positivism) với phương pháp tiếp cận định lượng, suy diễn logic toán học kết hợp kiểm chứng thực nghiệm mô phỏng trên máy tính. Luận án tích hợp phân tích đa tầng (multi-level design): tầng đại số tập thô (xử lý quan hệ không phân biệt và miền dương), tầng lý thuyết thông tin (đo lường độ không chắc chắn và tính tương hỗ), và tầng học máy thực nghiệm (đánh giá hiệu năng phân lớp và gom cụm).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu tuân thủ các chuẩn mực nghiêm ngặt của khoa học máy tính:

  1. Thiết kế thuật toán hình thức: Xây dựng mã giả (pseudo-code), chứng minh tính hội tụ và phân tích độ phức tạp thời gian/không gian. Độ phức tạp tính toán của việc xác định xấp xỉ dưới $\underline{B}X$, xấp xỉ trên $\overline{B}X$ và miền dương $POS_C(D)$ được chuẩn hóa ở mức $O(kn \log n)$ với không gian $O(n)$, trong đó $n = |U|$ là số đối tượng và $k = |A|$ là số thuộc tính.
  2. Kiểm tra tính hợp lệ và độ tin cậy: Đảm bảo độ tin cậy cấu trúc thông qua việc kiểm tra chéo (Cross-Validation) trên các mô hình phân lớp tiêu chuẩn C5.0 và Naive Bayes.
  3. Triangulation dữ liệu và phương pháp: Đối chiếu đa phương pháp giữa tiếp cận ma trận phân biệt Skowron, tiếp cận miền dương Pawlak, tiếp cận đại số quan hệ Han et al., tiếp cận entropy Wang et al. và hai thuật toán đề xuất ACBRC, MMNVI.

Data và phân tích

Thực nghiệm được triển khai trên 8 bộ dữ liệu chuẩn quốc tế từ kho lưu trữ Machine Learning UCI:

| Bộ dữ liệu | Số đối tượng ($|U|$) | Số thuộc tính ($|A|$) | Số lớp quyết định | Đặc trưng miền giá trị | | :--- | :--- | :--- | :--- | :--- | | Soybean Small | 47 | 35 | 4 | Rời rạc, phân loại | | Breast Cancer Wisconsin | 699 | 9 | 2 | Dữ liệu y sinh, phân loại | | Car Evaluation | 1728 | 6 | 4 | Đánh giá ô tô, có thứ bậc | | Vote | 435 | 16 | 2 | Bầu cử Quốc hội Mỹ, nhị phân | | Chess (King-Rook vs King-Pawn)| 3196 | 36 | 2 | Cờ vua, không gian lớn | | Mushroom | 8124 | 22 | 2 | Nấm độc/ăn được, mẫu lớn | | Balance Scale | 625 | 4 | 3 | Cân bằng vật lý, đa lớp | | Zoo | 101 | 16 | 7 | Phân loại động vật, đa lớp |

Môi trường thực nghiệm được lập trình cài đặt trên hệ thống tính toán khoa học. Các chỉ số đo lường chất lượng gồm:

  • Độ thuần khiết tổng thể (Overall Purity - OP): $OP = \sum_{k=1}^K \frac{|C_k \cap L_k|}{|U|}$
  • Chỉ số ngẫu nhiên hiệu chỉnh (Adjusted Rand Index - ARI): Đánh giá mức độ tương đồng giữa phân hoạch gom cụm và nhãn thực tế sau khi đã hiệu chỉnh yếu tố ngẫu nhiên.
  • Thông tin tương hỗ chuẩn hóa (Normalized Mutual Information - NMI): $NMI(C, L) = \frac{2 I(C; L)}{H(C) + H(L)}$

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Khả năng tối ưu hóa kích thước tập rút gọn của ACBRC: Trên tập dữ liệu Soybean Small (35 thuộc tính ban đầu), thuật toán ACBRC rút gọn chỉ còn giữ lại từ 3 đến 5 thuộc tính đại diện tùy theo số cụm cấu hình, nhưng khi đưa vào bộ phân lớp C5.0 và Naive Bayes, độ chính xác phân lớp đạt tuyệt đối 100%, tương đương hoặc vượt trội so với việc sử dụng toàn bộ 35 thuộc tính ban đầu.
  2. Ưu thế vượt bậc của MMNVI trên các bộ dữ liệu mất cân bằng: Trên bộ dữ liệu phức tạp Chess (3196 đối tượng, 36 thuộc tính) và Mushroom (8124 đối tượng, 22 thuộc tính), thuật toán MMNVI đạt độ thuần khiết tổng thể ($OP$) vượt trội từ 8.5% đến 14.2% so với thuật toán MMR (Parmar et al.) và MGR (Herawan et al.).
  3. Hiện tượng nghịch lý về thuộc tính có độ phụ thuộc cao: Dữ liệu thực nghiệm chứng minh phát hiện: việc chọn các thuộc tính có $\gamma_{{a}}(d)$ cao nhất theo chiến lược tham lam của QuickReduct không dẫn đến mô hình phân lớp tối ưu, do các thuộc tính này chia sẻ thông tin tương hỗ $I(a_i; a_j)$ quá lớn (chỉ số $NVI(a_i, a_j) \to 0$). Việc ACBRC cưỡng bức phân chia các thuộc tính này vào cùng một cụm và chỉ lấy một đại diện duy nhất đã chứng minh tính đúng đắn của giả thuyết loại bỏ dư thừa.
  4. Tính ổn định của MMNVI khi đối mặt với sự triệt tiêu độ thô: Trong khi thuật toán MMR bị vô hiệu hóa khi độ thô lớp tương đương $R_{a_j}(X_k) = 0$ dẫn đến lựa chọn ngẫu nhiên, MMNVI luôn duy trì độ phân giải cao nhờ metric metric $NVI(a_i, a_j)$ liên tục trên đoạn $[0, 1]$.

Implications đa chiều

  • Về mặt lý thuyết: Thiết lập cầu nối hoàn chỉnh giữa hình thức luận logic của Tập thô Pawlak và hình thức luận thống kê của Entropy Shannon, mở ra hướng nghiên cứu mới trong tính toán hạt (Granular Computing).
  • Về phương pháp luận: Cung cấp khung thuật toán 3 giai đoạn (Lọc $\to$ Gom cụm thuộc tính $\to$ Chọn đại diện) có thể tổng quát hóa cho mọi bài toán lựa chọn đặc trưng trong học có giám sát.
  • Ứng dụng thực tiễn: Tối ưu hóa hệ thống chẩn đoán y tế tự động (như phân tích dữ liệu ung thư vú Breast Cancer Wisconsin), giúp giảm số lượng xét nghiệm lâm sàng cần thiết mà không làm giảm độ tin cậy chẩn đoán.
  • Khuyến nghị chính sách Kỹ thuật số: Các cơ quan quản lý dữ liệu quốc gia và doanh nghiệp viễn thông/tài chính nên áp dụng các giải thuật rút gọn thuộc tính tập thô vào giai đoạn tiền xử lý của Data Pipeline để tiết kiệm tài nguyên lưu trữ đám mây và tăng tốc độ xử lý của các hệ thống AI thời gian thực.

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Rào cản dữ liệu liên tục: Các giải thuật ACBRC và MMNVI được thiết kế chuyên biệt cho dữ liệu phân loại hoặc dữ liệu rời rạc. Đối với các thuộc tính có miền giá trị liên tục $V_a \subseteq \mathbb{R}$, hệ thống bắt buộc phải trải qua bước tiền xử lý rời rạc hóa (discretization), điều này có thể dẫn đến mất mát thông tin cục bộ.
  2. Độ nhạy cảm với tham số số cụm $k_c$ trong ACBRC: Việc xác định số cụm thuộc tính $k_c$ tối ưu trong giai đoạn 2 của ACBRC hiện vẫn dựa vào kỹ thuật thực nghiệm hoặc tri thức chuyên gia, chưa có cơ chế tự động tối ưu hóa tham số hoàn toàn.
  3. Xử lý dữ liệu khuyết thiếu (Missing values): Nghiên cứu tập trung vào các bảng quyết định đầy đủ; khả năng chịu lỗi đối với các hệ thông tin không đầy đủ (Incomplete Information Systems) với tỷ lệ khuyết thiếu cao cần được bổ sung các quan hệ dung sai (tolerance relations).

Chương trình nghiên cứu 10 năm tiếp theo (Future Research Agenda):

  • Mở rộng ACBRC và MMNVI trên mô hình Tập thô mờ (Fuzzy Rough Sets) và Tập thô trực cảm (Intuitionistic Fuzzy Rough Sets) để xử lý trực tiếp dữ liệu số liên tục mà không cần rời rạc hóa.
  • Phát triển phiên bản tính toán song song phân tán của MMNVI trên nền tảng Apache Spark / Hadoop MapReduce nhằm mở rộng khả năng xử lý trên tập dữ liệu quy mô hàng triệu chiều (như dữ liệu biểu hiện gen microarray).
  • Tích hợp kỹ thuật tối ưu hóa bầy đàn (PSO, Genetic Algorithms) để tự động hóa hoàn toàn việc tìm số cụm thuộc tính $k_c$ tối ưu trong ACBRC.

Tác động và ảnh hưởng

  • Ảnh hưởng học thuật: Hai thuật toán đóng góp trực tiếp vào dòng nghiên cứu KDD và Trí tuệ nhân tạo, được công bố trên các tạp chí chuyên ngành uy tín (Journal of Computer Science and Cybernetics, 2022, 2023), mở ra tiềm năng trích dẫn cao trong cộng đồng nghiên cứu Rough Sets quốc tế (như Hội đồng Quốc tế về Tập thô - IRSS).
  • Chuyển đổi công nghiệp: Ứng dụng trực tiếp trong các ngành:
    • Tin sinh học (Bioinformatics): Giảm chiều dữ liệu chuỗi gen và phân loại đột biến.
    • Thương mại điện tử & Tài chính: Phân đoạn khách hàng (Customer Segmentation) và phát hiện gian lận thẻ tín dụng dựa trên các thuộc tính giao dịch định danh.
    • An ninh mạng: Rút gọn đặc trưng trong các hệ thống phát hiện xâm nhập mạng (Intrusion Detection Systems - IDS).
  • Lợi ích xã hội: Giúp tinh giản các biểu mẫu khảo sát hành chính công và hồ sơ bệnh án điện tử, giảm tải chi phí xử lý dữ liệu cho hệ thống y tế và dịch vụ công.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học trẻ: Tiếp cận được mã nguồn ý tưởng, khung chứng minh toán học metric NVI và phương pháp luận kết hợp liên ngành giữa Lý thuyết tập thô và Lý thuyết thông tin.
  • Giảng viên & Chuyên gia nghiên cứu cao cấp: Khung tài liệu chuẩn mực để giảng dạy các chuyên đề nâng cao về Khai phá dữ liệu, Học máy và Tính toán mềm.
  • Kỹ sư R&D và Khoa học dữ liệu (Data Scientists): Bộ công cụ thuật toán hữu hiệu để làm sạch và tối ưu hóa không gian đặc trưng định danh trước khi huấn luyện các mô hình Deep Learning phức tạp.
  • Nhà hoạch định chính sách CNTT: Cơ sở khoa học để xây dựng tiêu chuẩn kỹ thuật tiền xử lý dữ liệu trong các dự án Chuyển đổi số quốc gia.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc mở rộng Lý thuyết tập thô thông qua việc chứng minh toán học hình thức tính chất Metric phổ quát của Biến thể Thông tin Chuẩn hóa $NVI(a, b)$ trên không gian thuộc tính, từ đó kết hợp thành công giải thuật gom cụm Medoids vào bài toán tính toán tập rút gọn xấp xỉ nhằm loại bỏ đồng thời thuộc tính không liên quan và thuộc tính dư thừa.

2. Đột phá phương pháp luận của MMNVI khi so sánh với MMR và MGR? Khác với MMR (Parmar et al.) vốn chỉ dựa trên độ thô cục bộ và dễ bế tắc khi độ thô bằng 0, hoặc MGR (Herawan et al.) bị thiên lệch bởi số lượng giá trị thuộc tính, MMNVI sử dụng độ đo $MNVI(a_i)$ kết hợp với tổng Entropy phân lớp, tạo ra tiêu chuẩn phân cụm phân cấp ổn định, có độ thuần khiết cụm ($OP$) và thông tin tương hỗ chuẩn hóa ($NMI$) vượt trội trên mọi tập dữ liệu UCI thử nghiệm.

3. Phát hiện thực nghiệm nào bất ngờ nhất từ dữ liệu? Một tập rút gọn có kích thước cực tiểu (chỉ gồm 3-5 thuộc tính được chọn bởi ACBRC từ 35 thuộc tính gốc của Soybean Small) lại mang lại độ chính xác phân lớp tuyệt đối 100% trên cả hai mô hình C5.0 và Naive Bayes, chứng minh rằng phần lớn các thuộc tính trong cơ sở dữ liệu thực tế chứa hàm lượng dư thừa rất cao làm nhiễu thuật toán học máy.

4. Nghiên cứu có cung cấp giao thức tái lập (Replication Protocol) không? Có. Toàn bộ quy trình thuật toán được mô tả chi tiết dưới dạng mã giả hình thức, cấu trúc toán học của các hàm mục tiêu được định nghĩa tường minh, và toàn bộ 8 bộ dữ liệu thực nghiệm đều là các benchmark công khai từ UCI Machine Learning Repository, cho phép cộng đồng học thuật tái lập 100% kết quả.

5. Lộ trình phát triển 10 năm của hướng nghiên cứu này? Tập trung vào ba mũi nhọn: (1) Mở rộng sang không gian Tập thô trực cảm mờ (Intuitionistic Fuzzy Rough Sets) cho Big Data đa phương thức; (2) Tích hợp học sâu (Deep Rough Neural Networks); (3) Tối ưu hóa phân tán trên kiến trúc GPU và Cloud Computing.

Kết luận

  1. Luận án giải quyết thành công hai bài toán căn cốt trong Khai phá dữ liệu: lựa chọn thuộc tính loại bỏ dư thừa và gom cụm dữ liệu phân loại dưới điều kiện không chắc chắn.
  2. Thuật toán ACBRC tạo ra bước đột phá về tính toán tập rút gọn xấp xỉ bằng cách tích hợp gom cụm thuộc tính PAM với metric $NVI$, loại bỏ triệt để thuộc tính không liên quan và dư thừa.
  3. Thuật toán MMNVI thiết lập chuẩn mực mới cho kỹ thuật gom cụm phân cấp dữ liệu phân loại dựa trên cực tiểu hóa biến thể thông tin chuẩn hóa trung bình.
  4. Chứng minh toán học chặt chẽ tính chất metric của $NVI(a, b)$, đóng góp vào kho tàng lý thuyết Tính toán hạt (Granular Computing).
  5. Kết quả thực nghiệm trên 8 bộ dữ liệu UCI chứng minh sự vượt trội toàn diện về độ chính xác phân lớp, độ thuần khiết $OP$, chỉ số $ARI$ và $NMI$ so với các thuật toán quốc tế kinh điển.
  6. Mở ra các hướng nghiên cứu mở rộng đầy tiềm năng cho xử lý dữ liệu lớn, dữ liệu y sinh học và an ninh mạng trong bối cảnh cuộc Cách mạng Công nghiệp lần thứ tư.