Tổng quan về luận án

Trong kỷ nguyên Trí tuệ nhân tạo (AI) và Cách mạng Công nghiệp 4.0, các mô hình học máy đóng vai trò cốt lõi trong việc giải quyết hai bài toán nền tảng của khai phá dữ liệu là phân lớp (classification) và hồi quy (regression). Mặc dù các mạng nơ-ron sâu mang lại độ chính xác ấn tượng, chúng hoạt động như những "hộp đen" (black-box models), thiếu tính minh bạch và khó giải thích. Hệ dựa trên luật mờ (Fuzzy Rule-Based Systems - FRBS), được xây dựng trên nền tảng lý thuyết tập mờ và logic mờ của Lotfi A. Zadeh (1965, 1975), cung cấp khả năng mô phỏng lập luận tự nhiên của con người thông qua các luật dạng IF-THEN. Tuy nhiên, sự phát triển của FRBS truyền thống luôn vấp phải sự xung đột cố hữu giữa hai mục tiêu: độ chính xác (accuracy) và tính giải nghĩa được (interpretability).

Khoảng trống nghiên cứu (research gap) trọng yếu trong lý thuyết tập mờ truyền thống nằm ở việc thiếu một cơ chế toán học hình thức nhằm kết nối trực tiếp ngữ nghĩa định tính tự nhiên của từ ngôn ngữ với các tập mờ biểu diễn ngữ nghĩa tính toán của chúng. Các phương pháp kinh điển thường áp dụng phân hoạch mờ cố định, đơn thể hạt, được thiết kế chủ quan dựa trên trực giác chuyên gia, làm mất đi tính thứ tự và quan hệ ngữ nghĩa vốn có giữa các từ. Khi tối ưu hóa tham số thích nghi với dữ liệu, các tập mờ dễ bị biến dạng hình học, phá vỡ ngữ nghĩa ban đầu. Hơn nữa, việc sinh luật bằng phương pháp tổ hợp toàn bộ các biến dẫn đến sự bùng nổ tổ hợp (combinatorial explosion) với độ phức tạp hàm mũ khi số chiều dữ liệu tăng.

Để giải quyết triệt để những bế tắc trên, luận án của NCS. Nguyễn Đức Dư (2022) với đề tài "Phát triển phương pháp luận trích rút hệ luật ngôn ngữ mờ giải bài toán phân lớp, hồi quy dựa trên đại số gia tử" thuộc chuyên ngành Cơ sở toán học cho tin học (Mã số: 9.10, Viện Khoa học và Công nghệ Quân sự) đã đề xuất một hệ thống phương pháp luận toán học đột phá. Bằng việc ứng dụng lý thuyết Đại số gia tử (Hedge Algebra - HA) và Đại số gia tử mở rộng (Enlarged Hedge Algebra - enHA) do Nguyễn Cát Hồ và Wechler (1990, 2008, 2011) khởi xướng, luận án xây dựng các hệ luật ngôn ngữ mờ (Linguistic Rule-Based Systems - LRBS) cho phép tính toán trực tiếp trên các từ ngôn ngữ, thiết lập ngữ nghĩa tính toán hình thang và hàm S phi tuyến mềm dẻo, đồng thời giải quyết bài toán mở rộng tri thức mà không làm xáo trộn ngữ nghĩa đã thiết lập.

Nghiên cứu tập trung giải quyết 4 câu hỏi nghiên cứu (Research Questions - RQ) và kiểm chứng 4 giả thuyết khoa học (Hypotheses - H):

  • RQ1: Làm thế nào để thiết kế ngữ nghĩa tính toán phi tuyến cho các từ ngôn ngữ nhằm tối ưu hóa sự mềm dẻo của hàm thuộc mà vẫn bảo toàn lõi ngữ nghĩa định lượng khoảng?
  • RQ2: Cơ chế nào cho phép giảm thiểu không gian tìm kiếm luật mờ ứng cử trên dữ liệu nhiều chiều mà không đánh đổi độ chính xác của mô hình hồi quy?
  • RQ3: Có thể đồng tối ưu hóa (co-optimize) các tham số ngữ nghĩa của biến ngôn ngữ và cấu trúc hệ luật phân lớp trong cùng một quy trình tiến hóa hay không?
  • RQ4: Khung nhận thức ngôn ngữ và cơ sở luật của một FRBS đã tối ưu hóa có thể được mở rộng hình thức sang các mức đặc tả cao hơn mà không làm thay đổi ngữ nghĩa của các tri thức hiện có hay không?
  • H1: Ngữ nghĩa tính toán dạng hàm S xây dựng trên ĐSGT mở rộng giúp giảm sai số hồi quy và nâng cao độ chính xác phân lớp vượt trội so với các tập mờ tam giác và hình thang tuyến tính.
  • H2: Việc tích hợp cây quyết định mờ dựa trên ĐSGT sẽ cắt tỉa hiệu quả không gian luật ứng cử, giảm độ phức tạp tính toán xuống bậc đa thức.
  • H3: Thuật toán đồng tiến hóa bầy đàn (HACO) cho kết quả phân lớp tối ưu toàn cục, khắc phục hiện tượng mất mát nghiệm tối ưu của thuật toán hai giai đoạn tuần tự.
  • H4: Một phương pháp luận tiến hóa đa mục tiêu (MOEA) dựa trên quan điểm giải nghĩa hình thức của Tarski cho phép nâng cấp mức độ đặc tả của hệ luật mà vẫn duy trì tính bảo toàn ngữ nghĩa của hệ thống đã triển khai.

Nghiên cứu được thử nghiệm trên hơn 14 bộ dữ liệu chuẩn quốc tế từ kho dữ liệu UCI Machine Learning Repository và KEEL, bao gồm cả bài toán phân lớp đa thuộc tính và bài toán hồi quy phi tuyến phức tạp (như bài toán dự báo phụ tải điện ELE1, Boston Housing, Wine, Iris), khẳng định tính tổng quát hóa và độ tin cậy thực nghiệm vững chắc.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy sự tiến hóa của các hệ mờ dựa trên luật trải qua ba giai đoạn chính với nhiều tranh luận học thuật sâu sắc:

[Tiếp cận Cổ điển: Tập mờ Zadeh (1965)]
[Tiếp cận Tối ưu đa mục tiêu & Di truyền: Ishibuchi (2004), Alcalá (2011)]
[Tiếp cận Đại số Gia tử & Hình thức hóa Tarski: Nguyễn Cát Hồ (1990), Nguyễn Đức Dư (2022)]

Giai đoạn thứ nhất bắt đầu từ lý thuyết tập mờ và biến ngôn ngữ của Zadeh (1965, 1975), tiếp nối bởi các hệ mờ Mamdani (1974) và Takagi-Sugeno (1985). Trong giai đoạn này, các phân hoạch mờ đều (uniform partitions) được sử dụng phổ biến (Cordón et al., 2001; Ishibuchi et al., 2004, 2005). Tuy nhiên, trường phái này vấp phải sự chỉ trích từ Mencar & Fanelli (2008) và Gacto et al. (2011) khi cho rằng việc áp đặt một phân hoạch cố định cho mọi ngữ cảnh dữ liệu là phi thực tế, vì khái niệm ngôn ngữ (ví dụ "nhiệt độ cao") mang tính phụ thuộc chặt chẽ vào ngữ cảnh miền giá trị thực nghiệm.

Giai đoạn thứ hai chứng kiến sự xuất hiện của các phương pháp hiệu chỉnh thích nghi tham số tập mờ bằng thuật toán tiến hóa di truyền (Genetic Fuzzy Systems - GFS) (Alcalá et al., 2007, 2011; Pulkkinen, 2008). Để cân bằng giữa độ chính xác và tính giải nghĩa được, các học giả đã áp dụng các thuật toán tiến hóa đa mục tiêu (Multi-Objective Evolutionary Algorithms - MOEA) thế hệ thứ hai như NSGA-II (Deb et al., 2002), SPEA2 (Zitzler et al., 2001), PAES (Knowles & Corne, 2000), và (2+2)M-PAES (Cococcioni et al., 2007). Tuy nhiên, một mâu thuẫn lớn nảy sinh: khi tối ưu hóa hình học của các hàm thuộc tam giác hay hình thang để ép giảm sai số Mean Square Error ($MSE$), hình thái của tập mờ bị co giãn bất đối xứng, dẫn đến hiện tượng trượt ngữ nghĩa (semantic drift) và vi phạm nguyên lý giới hạn nhận thức con người $7 \pm 2$ hạt thông tin của George Miller (1956).

Giai đoạn thứ ba định hình hướng tiếp cận cấu trúc đại số thông qua lý thuyết Đại số gia tử (Nguyễn Cát Hồ & Wechler, 1990; Nguyễn Cát Hồ et al., 2008, 2014, 2015). ĐSGT chứng minh rằng miền từ của một biến ngôn ngữ cấu thành một cấu trúc đại số có thứ tự tuyến tính $\mathcal{A}_A = (X_A, G, C, H, \le)$. Bằng cách tiên đề hóa độ đo tính mờ $fm(x)$ và ánh xạ định lượng ngữ nghĩa (Semantically Quantifying Mapping - SQM) $v(x)$, ĐSGT cho phép biến đổi trực tiếp các từ ngôn ngữ thành các giá trị số và ngược lại mà không cần thông qua các tập mờ trung gian nhân tạo.

Về mặt định vị khoa học, luận án của Nguyễn Đức Dư tạo ra bước tiến đột phá so với các công trình quốc tế cùng thời kỳ. So với thuật toán phân lớp luật mờ thích nghi FURIA (Fuzzy Unordered Rule Induction Algorithm) của Huhn & Hüllermeier (2009) và PAES-RCS của Gacto et al. (2010), mô hình của luận án giải quyết trọn vẹn cả tính tối ưu độ phức tạp và độ chính xác phân lớp nhờ cơ chế sinh luật dựa trên các siêu hộp của hệ khoảng tính mờ $\mathbb{S}^{(k)}$. Khi đặt cạnh các mô hình hồi quy tiên tiến hàng đầu như FSMOGFSe+TUNe (Alcalá et al., 2011), METSK-HDe (Sanz et al., 2011), MOKBL+MOMs, và EIT2In-FRBS3, thuật toán IS-LRBS-Design-MOEA được đề xuất trong luận án vượt trội nhờ năng lực mở rộng khung nhận thức ngôn ngữ (LFoC Scalability), một đặc tính chưa từng xuất hiện trong các công trình tiền nhiệm.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng nền tảng lý thuyết Đại số gia tử và giải nghĩa hình thức mờ thông qua ba trụ cột lý thuyết cốt lõi:

Thứ nhất, hoàn thiện lý thuyết Đại số gia tử mở rộng ($\mathcal{A}{en}^A$). Bằng việc tích hợp gia tử nhân tạo $h_0 \in H{en}$ tác động lên từ ngôn ngữ $x$ để sinh ra lõi ngữ nghĩa bất biến $h_0 x$, cấu trúc đại số $\mathcal{A}{en}^A = (X{en}^A, G, C, H_{en}, \le)$ thỏa mãn tiên đề bổ sung: $$h' h_0 x = h_0 x, \quad \forall h' \in H_{en}$$ Điều này thiết lập cơ sở toán học chặt chẽ để ánh xạ định lượng giá trị khoảng (Interval-valued Quantifying Mapping - IVQM) $f_{en,fm}: X_{en}^A \to \mathcal{P}([0, 1])$ được tính toán đệ quy chính xác qua biên trái $Lft(f_{en,fm}(x))$: $$Lft(f_{en,fm}(x)) = \sum_{y \in X_{en,(k+1)}^A & y < x} fm(y)$$ trong đó độ đo tính mờ thỏa mãn tiên đề bảo toàn: $$\sum_{h \in H_{en}} \mu(h) = 1 \quad \text{và} \quad fm(hx) = \mu(h)fm(x)$$

Thứ hai, định hình khái niệm tính giải nghĩa được của hệ luật mờ theo quan điểm logic hình thức của Alfred Tarski. Tính giải nghĩa được không còn bị xem xét đơn giản là việc đếm số lượng luật hay số biến, mà được định nghĩa là một phép đồng cấu ngữ nghĩa (semantic homomorphism) từ cấu trúc tri thức thế giới thực sang cấu trúc toán học của hệ thống. Mô hình bụi ngữ nghĩa (semantic dust) $\mathfrak{B}_A$ diễn tả cấu trúc quan hệ khái quát - đặc tả (GS-structure) $\mathcal{G}A = (X{en}^A, g)$ và cấu trúc thứ tự $\mathcal{S}A = (X{en}^A, \le)$, chứng minh rằng bản chất nhận thức của con người đối với một thuộc tính thực chất là một cấu trúc đa mức tiềm năng vô hạn.

Thứ ba, thiết lập cơ chế hình thức hóa khả năng mở rộng của Khung nhận thức ngôn ngữ (Linguistic Frames of Cognition - LFoC) và cấu trúc đa thể hạt hình thang ($tr\text{-}MGr$). Luận án chứng minh định lý về tính bảo toàn ngữ nghĩa: khi chuyển đổi mức độ đặc tả từ $k$ lên $k+1$, tập từ mở rộng $X_{en,(k+1)}^A$ kế thừa trọn vẹn ngữ nghĩa của tập từ $X_{en,(k)}^A$ mà không làm thay đổi các khoảng chia của các từ mức thấp hơn.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chặt chẽ ba thành phần: Ngữ nghĩa đại số hình thức $\to$ Phân hoạch mờ hàm S phi tuyến $\to$ Tối ưu hóa tiến hóa đa mục tiêu Pareto ($\mathbb{P}$).

Điểm đột phá của khung phân tích là việc sử dụng hàm S phi tuyến (S-function) thay thế cho hàm tam giác hay hình thang kinh điển. Hàm S được định nghĩa bằng các đoạn hàm sin/cosine hoặc hàm bậc ba đối xứng, tạo nên độ cong mượt mà ở hai biên trái và phải của tập mờ, trong khi vẫn bảo lưu một vùng lõi phẳng (plat) có độ thuộc tuyệt đối $\mu(x) = 1$ tương ứng với khoảng $f_{en,fm}(x)$. Khung phân tích này loại bỏ triệt để các góc nhọn gián đoạn đạo hàm của hàm tuyến tính từng khúc, giúp tăng cường khả năng xấp xỉ liên tục cho bài toán hồi quy và mở rộng ranh giới phân tách mềm dẻo cho bài toán phân lớp.

Điều kiện biên (boundary conditions) của khung phân tích được xác lập rõ ràng: không gian tham chiếu $U = [a, b] \subset \mathbb{R}$ chuẩn hóa về $[0, 1]$, tập gia tử đối ngẫu đối xứng $|H^-| = |H^+| = 1$ (với $H^- = {L}$, $H^+ = {V}$), bảo đảm tính tương thích đại số hoàn chỉnh.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (positivism) kết hợp với chủ nghĩa hình thức toán học (mathematical formalism) và kiến tạo thuật toán. Thiết kế nghiên cứu bao gồm ba nhánh thuật toán tiên tiến:

  1. Thuật toán EnHA-PAES-SF / FRBC_S: Tích hợp ngữ nghĩa hàm S dựa trên ĐSGT mở rộng vào chiến lược tiến hóa lưu trữ Pareto (PAES) để trích rút LRBS giải bài toán hồi quy và phân lớp.
  2. Thuật toán HA-De-PAES: Kết hợp cây quyết định mờ với ĐSGT để giải quyết bài toán hồi quy chiều cao, sử dụng cây quyết định làm bộ lọc cấu trúc nhằm sinh các luật ứng cử có ý nghĩa thống kê cao nhất.
  3. Thuật toán Đồng tiến hóa Bầy đàn HACO (Co-evolutionary PSO): Tối ưu hóa đồng thời hai không gian tìm kiếm: không gian vector thực chứa các tham số mờ độc lập $\Lambda = {fm(c_j^-), \mu(L_j), \mu(h_{0,j})}$ và không gian nhị phân biểu diễn sự lựa chọn luật mờ trong cơ sở luật $S$.

Quy trình nghiên cứu rigorous

Quy trình trích rút và đánh giá hệ luật mờ diễn ra qua các giai đoạn nghiêm ngặt:

[Kiểm định Thống kê Phi tham số Wilcoxon (α = 0.05 / 0.1) trên Tập Kiểm tra]

  • Giai đoạn sinh tập luật khởi đầu (IFRG): Mẫu dữ liệu $d_p = (a_{p,1}, \dots, a_{p,n})$ được định vị duy nhất trong các siêu hộp $\mathcal{H}p$ tạo bởi các khoảng tính mờ $\Im{j,k_j}(x_{j,i})$. Từ đó, sinh luật cơ sở độ dài $n$ ($R_b$). Các luật thứ cấp độ dài $L \le n$ ($R_{snd}$) được sinh ra bằng tổ hợp, sau đó gán nhãn lớp $C_q$ dựa trên độ tin cậy cực đại: $$C_q = \arg\max_{h=1,\dots,M} {c(A_q \Rightarrow C_h)} = \arg\max \left{ \frac{\sum_{d_p \in C_h} \mu_{A_q}(d_p)}{\sum_{p=1}^m \mu_{A_q}(d_p)} \right}$$ Trọng số luật $CF_q$ được xác lập thông qua độ tin cậy vượt trội so với đối thủ thứ hai: $$CF_q = c(A_q \Rightarrow C_q) - \max_{h \ne q} c(A_q \Rightarrow C_h)$$

  • Giai đoạn lập luận xấp xỉ:

    • Đối với phân lớp: Sử dụng phương pháp Single Winner Rule (SWR) hoặc Weighted Vote (WV) dựa trên tổng độ đốt cháy $\mu_{A_q}(d_p) = \prod_{j=1}^n \mu_{x_{rq,j}}(a_{p,j})$.
    • Đối với hồi quy: Áp dụng phương pháp suy diễn trung bình trọng tâm (center-of-gravity inference): $$\hat{y}p = \frac{\sum{q=1}^M \mu_{A_q}(d_p) \cdot v(x_{rq,n+1})}{\sum_{q=1}^M \mu_{A_q}(d_p)}$$ Khi mẫu dữ liệu không bị phủ ($\sum \mu_{A_q}(d_p) = 0$), thuật toán kích hoạt cơ chế nội suy hình học lân cận của Alcalá et al.

Data và phân tích

Độ chính xác và độ phức tạp được định lượng qua các hàm mục tiêu đa chiều:

  • Độ chính xác phân lớp: $f_p(S) = \frac{N_{acc}}{N} \times 100% \to \max$
  • Sai số hồi quy: $MSE = \frac{1}{2N} \sum_{p=1}^N (y_p - \hat{y}_p)^2 \to \min$
  • Độ phức tạp cơ sở luật: $Comp(S) = \sum_{m=1}^M \text{length}(R_m) \to \min$

Để kiểm định tính vững chắc (robustness), toàn bộ các thuật toán được đánh giá qua quy trình Cross-Validation (5-fold hoặc 10-fold cross-validation), lặp lại với nhiều hạt giống ngẫu nhiên (random seeds). Các so sánh hiệu năng được thực hiện bằng phép kiểm định phi tham số Wilcoxon Signed-Rank Test tại các mức ý nghĩa $\alpha = 0.05$ và $\alpha = 0.1$, so sánh trực tiếp tại điểm đầu tiên đạt cân bằng Pareto (điểm FIRST) trên mặt phẳng không bị trội $\mathbb{P}$.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm từ luận án đem lại 5 phát hiện mang tính đột phá về mặt thống kê và thuật toán:

  1. Hiệu năng vượt trội của Ngữ nghĩa Hàm S (EnHA-SF): Trên tập dữ liệu bài toán phân lớp, hệ phân lớp FRBC_S đạt độ chính xác cao hơn rõ rệt so với các hệ sử dụng hàm thuộc tam giác (FRBC_TRI) và hình thang (FRBC_TRA). Kiểm định Wilcoxon với $\alpha = 0.1$ xác nhận sự khác biệt có ý nghĩa thống kê về độ chính xác, trong khi độ phức tạp luật $Comp(S)$ giảm đáng kể. So với hai thuật toán quốc tế nổi tiếng là PAES-RCS và FURIA, FRBC_S đạt tỷ lệ phân lớp đúng tương đương nhưng với số lượng luật ít hơn từ 25% đến 40%.

  2. Cắt tỉa không gian tìm kiếm bằng Cây quyết định (HA-De-PAES): Trong bài toán hồi quy, việc sinh luật ứng cử qua cây quyết định mờ kết hợp ĐSGT đã triệt tiêu sự bùng nổ tổ hợp. Tại điểm FIRST trên mặt Pareto, HA-De-PAES cho giá trị $MSE_{ts}$ trên tập kiểm tra thấp hơn và độ phức tạp hệ luật thấp hơn có ý nghĩa thống kê ($p$-value $< 0.1$) so với thuật toán HA-PAES-MG-Kmax và PKB.

  3. Tính ưu việt của Đồng tiến hóa Bầy đàn (HACO): Thuật toán HACO giải quyết trọn vẹn điểm nghẽn của thuật toán hai pha tuần tự HATF (pha 1 tìm tham số mờ, pha 2 tìm hệ luật). Thử nghiệm trên các tập dữ liệu phức tạp (như Wine Dataset) chứng minh HACO tìm được các vector tham số mờ độc lập tối ưu toàn cục, nâng độ chính xác phân lớp trung bình từ 94.2% lên 97.8% mà không làm tăng độ dài trung bình của luật.

  4. Đột phá của Thuật toán IS-LRBS-Design-MOEA ($\mathcal{A}$): Khi so sánh với 4 thuật toán tối ưu tiến hóa mờ hàng đầu thế giới gồm FSMOGFSe+TUNe, METSK-HDe, MOKBL+MOMs và EIT2In-FRBS3, thuật toán $\mathcal{A}{Gr3}$ của luận án đạt giá trị $MSE{ts}$ tại điểm FIRST nhỏ nhất trên hầu hết các bộ dữ liệu chuẩn (như ELE1, Bld1). Phép kiểm định Wilcoxon ở mức ý nghĩa $\alpha = 0.05$ xác nhận thuật toán $\mathcal{A}$ vượt trội có ý nghĩa thống kê so với toàn bộ các đối thủ quốc tế.

Thuật toán so chuẩn Sai số $MSE_{ts}$ (Trung bình) Độ phức tạp $Comp$ (Luật) Kiểm định Wilcoxon ($\alpha = 0.05$)
IS-LRBS-Design-MOEA ($\mathcal{A}_{Gr3}$) Tối ưu thấp nhất Cực tiểu (3 - 7 luật) Baseline Luận án
FSMOGFSe+TUNe (Alcalá et al.) Cao hơn có ý nghĩa Cao hơn ($> 15$ luật) Bị đánh bại ($p < 0.05$)
METSK-HDe (Sanz et al.) Cao hơn Trung bình Bị đánh bại ($p < 0.05$)
MOKBL+MOMs Cao hơn Rất cao Bị đánh bại ($p < 0.05$)
EIT2In-FRBS3 Tương đương/Cao hơn Cao hơn Bị đánh bại ($p < 0.05$)
  1. Hiện thực hóa Khả năng mở rộng Tri thức ($\mathcal{A}_{Gr2\uparrow 3\uparrow 4}$): Thí nghiệm mở rộng khung nhận thức từ mức $k=2$ lên $k=3$ và $k=4$ chứng minh rằng: mô hình khởi tạo từ cơ sở luật đã huấn luyện ở mức $k=2$ khi tiếp tục tiến hóa ở mức $k=3$ ($\mathcal{A}{Gr2\uparrow 3}$) đạt tốc độ hội tụ nhanh hơn 3.5 lần và cho sai số $MSE$ thấp hơn đáng kể so với việc học lại từ đầu ($\mathcal{A}{Gr3}$).

Implications đa chiều

  • Về mặt lý thuyết: Chứng minh rằng tính giải nghĩa được hình thức của Tarski có thể hiện thực hóa hoàn hảo trong hệ mờ thông qua cấu trúc đại số gia tử, chấm dứt sự mơ hồ trong việc định nghĩa "tính dễ hiểu" của mô hình AI.
  • Về mặt phương pháp luận: Cung cấp một khung thuật toán tiến hóa mở cho phép tái sử dụng tri thức đã học, mở đường cho các mô hình học tăng cường (continual learning) và học chuyển giao (transfer learning) trong logic mờ.
  • Về mặt thực tiễn và chính sách: Cho phép triển khai các hệ thống hỗ trợ ra quyết định trong các lĩnh vực nhạy cảm cao như chỉ huy quân sự, điều độ lưới điện quốc gia (ELE1), chẩn đoán y khoa tự động - nơi mọi quyết định suy diễn bắt buộc phải được giải trình minh bạch dưới dạng ngôn ngữ tự nhiên.

Limitations và Future Research

Mặc dù đạt được những kết quả xuất sắc, luận án thẳng thắn thừa nhận 4 giới hạn nghiên cứu:

  • Độ phức tạp chiều dữ liệu cực lớn (Ultra-high dimensionality): Khi số lượng thuộc tính đầu vào vượt quá 100 biến liên tục, phương pháp sinh siêu hộp khoảng mờ vẫn đối mặt với chi phí bộ nhớ lớn trong pha tạo luật thứ cấp.
  • Cấu trúc gia tử tuyến tính: Luận án tập trung vào ĐSGT tuyến tính với quan hệ thứ tự toàn phần, chưa bao quát các miền từ ngữ nghĩa có cấu trúc thứ tự bộ phận phức tạp hơn (như gia tử phủ định "không", "chẳng").
  • Dữ liệu chuỗi thời gian động: Các thuật toán hiện tại được tối ưu hóa cho dữ liệu tĩnh (static batch data), chưa tích hợp cơ chế cập nhật trực tuyến (online streaming data).
  • Giới hạn phần cứng tính toán: Quá trình đồng tiến hóa PSO kết hợp MOEA trên các tập dữ liệu lớn đòi hỏi tài nguyên tính toán đáng kể.

Chương trình nghiên cứu tương lai (10-year research agenda) định hình 4 hướng đi:

  1. Kết hợp Deep Learning với ĐSGT để tạo ra mạng nơ-ron mờ sâu giải thích được (Deep Explainable HA-Fuzzy Networks).
  2. Phát triển cấu trúc ĐSGT phi tuyến cho phép xử lý các hệ ngôn ngữ đa chiều và ngôn ngữ tự nhiên phức tạp.
  3. Ứng dụng các thuật toán tiến hóa phân tán (Distributed MOEA) trên nền tảng điện toán đám mây để xử lý dữ liệu lớn (Big Data).
  4. Thiết lập chuẩn giao tiếp XAI công nghiệp dựa trên luật ngôn ngữ mờ có khả năng tự giải trình (Self-explaining Industrial Systems).

Tác động và ảnh hưởng

Công trình luận án tạo ra tác động học thuật và thực tiễn sâu rộng:

  • Tác động học thuật: Đặt nền móng vững chắc cho trường phái nghiên cứu Đại số gia tử ứng dụng trong Trí tuệ nhân tạo; các thuật toán đề xuất mở ra hàng loạt chủ đề nghiên cứu cho các nghiên cứu sinh trong và ngoài nước, với tiềm năng trích dẫn cao trên các tạp chí quốc tế đầu ngành thuộc danh mục ISI/Scopus (như IEEE Transactions on Fuzzy Systems, Information Sciences, Fuzzy Sets and Systems).
  • Chuyển đổi công nghiệp: Các thuật toán trích rút hệ luật mờ mở rộng được chuyển giao trực tiếp cho các bài toán công nghiệp 4.0: tự động hóa dây chuyền sản xuất, tối ưu hóa năng lượng lưới điện thông minh, hệ thống bảo trì dự đoán (predictive maintenance) với độ tin cậy cao.
  • An ninh - Quốc phòng: Đóng góp giải pháp công nghệ AI tự chủ, minh bạch, phục vụ đắc lực cho các hệ thống điều khiển vũ khí chính xác, hệ thống phân tích tình báo và hỗ trợ chỉ huy tác chiến quân sự.

Đối tượng hưởng lợi

Nghiên cứu mang lại giá trị cụ thể cho 4 nhóm đối tượng chính:

  • Nghiên cứu sinh tiến sĩ: Tiếp cận một khung phương pháp luận toán học hoàn chỉnh, rõ ràng để phát triển các đề tài mới về XAI và logic mờ đại số.
  • Các nhà toán học và chuyên gia AI: Sở hữu một công cụ toán học hình thức chặt chẽ để liên kết ngữ nghĩa ngôn ngữ tự nhiên với tính toán số học.
  • Kỹ sư R&D công nghiệp: Có được các thuật toán trích rút tri thức tự động từ dữ liệu số với độ chính xác cao và số lượng luật tối giản, dễ dàng cài đặt vào vi điều khiển/nhúng.
  • Nhà quản lý và hoạch định chính sách: Tiếp cận các báo cáo dữ liệu được mô hình hóa dưới dạng luật ngôn ngữ tự nhiên, nâng cao độ tin cậy của các quyết định chiến lược.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nền tảng nào?

Đóng góp độc đáo nhất là việc mở rộng Đại số gia tử kinh điển thành Đại số gia tử mở rộng ($\mathcal{A}_{en}^A$) thông qua việc tiên đề hóa gia tử nhân tạo $h_0$ để định lượng chính xác lõi ngữ nghĩa khoảng ($h_0 x$). Công trình này kế thừa lý thuyết Đại số gia tử của Nguyễn Cát Hồ & Wechler (1990) và tích hợp hoàn hảo quan điểm giải nghĩa hình thức của Alfred Tarski, giải quyết triệt để vấn đề mất mát thông tin ngữ nghĩa khi chuyển đổi từ nhãn ngôn ngữ sang hàm thuộc mờ.

2. Sự đổi mới về phương pháp luận của luận án khi so sánh với ít nhất 2 nghiên cứu quốc tế tiền nhiệm?

So với nghiên cứu của Alcalá et al. (2011) với mô hình FSMOGFSe+TUNe và Gacto et al. (2010) với PAES-RCS:

  • Về không gian tìm kiếm: FSMOGFSe+TUNe phải hiệu chỉnh hàng loạt tham số hình học của hàm thuộc tam giác trên từng biến, dẫn đến không gian tìm kiếm bùng nổ theo số nhãn mờ. Luận án chỉ cần tối ưu hóa một số rất ít tham số mờ độc lập $\Lambda = {fm(c^-), \mu(L), \mu(h_0)}$, độc lập với số lượng từ ngôn ngữ.
  • Về cơ chế sinh luật: PAES-RCS sử dụng tổ hợp gây bùng nổ hàm mũ, trong khi thuật toán của luận án sinh luật trực tiếp từ siêu hộp dữ liệu và cây quyết định mờ, giảm độ phức tạp xuống bậc đa thức.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và có bằng chứng định lượng ra sao?

Phát hiện bất ngờ nhất là Khả năng mở rộng khung nhận thức ngôn ngữ ($\mathcal{A}_{Gr2\uparrow 3\uparrow 4}$). Thông thường, khi thay đổi không gian thuộc tính hoặc độ mịn mờ, các hệ học máy phải huấn luyện lại từ đầu. Luận án chứng minh bằng thực nghiệm trên bộ dữ liệu ELE1 rằng: việc kế thừa cơ sở luật từ mức $k=2$ để phát triển lên mức $k=3$ giúp mô hình đạt sai số kiểm tra $MSE_{ts}$ nhỏ hơn hẳn so với việc học trực tiếp từ mức $k=3$ ($\mathcal{A}_{Gr3}$), đồng thời thời gian tiến hóa giảm hơn 70% với mức ý nghĩa kiểm định Wilcoxon $p < 0.05$.

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

Hoàn toàn đầy đủ. Luận án cung cấp chi tiết:

  • Toàn bộ công thức toán học đệ quy tính $Lft(f_{en,fm}(x))$ và độ đo tính mờ $fm(x)$.
  • Mã giả chi tiết của thủ tục sinh luật cơ sở IFRG, thuật toán HA-De-PAES, cấu trúc mã hóa chuỗi nhiễm sắc thể/hạt của HACO và thuật toán IS-LRBS-Design-MOEA.
  • Danh mục tham số thực nghiệm cụ thể: quy mô quần thể ($N=60$), số thế hệ ($gen=500$), xác suất lai ghép/đột biến, mức ý nghĩa thống kê $\alpha = 0.05$ và $\alpha = 0.1$, cùng nguồn dữ liệu mở từ KEEL và UCI.

5. Lộ trình nghiên cứu 10 năm tiếp theo được vạch ra như thế nào?

Lộ trình tập trung vào việc chuyển đổi từ hệ luật mờ tĩnh sang Hệ thống Trí tuệ Nhân tạo Ngôn ngữ Tự thích nghi (Self-Adaptive Linguistic AI): tích hợp ĐSGT vào mạng nơ-ron tích chập (CNN) và Transformer để giải thích tri thức biểu diễn sâu, mở rộng sang cấu trúc đại số gia tử nửa thứ tự (Poset HA), và xây dựng các hệ nhúng thời gian thực hỗ trợ điều khiển phương tiện tự hành quân sự.

Kết luận

Luận án Tiến sĩ Toán học của NCS. Nguyễn Đức Dư đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp học thuật cốt lõi:

  1. Thiết lập thành công phương pháp luận ngữ nghĩa tính toán hàm S phi tuyến trên cơ sở Đại số gia tử mở rộng, mang lại tính mềm dẻo vượt bậc cho các hàm thuộc trong phân lớp và hồi quy.
  2. Đề xuất thuật toán sinh luật mờ dựa trên cây quyết định (HA-De-PAES), giải quyết triệt để hiện tượng bùng nổ tổ hợp luật trên dữ liệu nhiều chiều.
  3. Phát triển thuật toán đồng tiến hóa bầy đàn (HACO), tối ưu hóa đồng thời tham số ngữ nghĩa và cấu trúc luật, vượt trội so với các tiếp cận hai pha kinh điển.
  4. Hình thức hóa hoàn chỉnh lý thuyết tính giải nghĩa được theo Tarski và xây dựng thuật toán tiến hóa đa mục tiêu IS-LRBS-Design-MOEA, tạo ra các hệ luật đạt chuẩn tối ưu Pareto giữa độ chính xác và tính dễ hiểu.
  5. Tiên phong đề xuất và chứng minh thành công cơ chế mở rộng LFoC và cơ sở luật, cho phép tri thức mờ được nâng cấp liên tục mà không làm xáo trộn ngữ nghĩa nền tảng.

Công trình đã tạo nên một bước chuyển dịch mô thức (paradigm shift) từ logic mờ xấp xỉ trực giác sang logic mờ đại số hình thức chính xác cao, mở ra các nhánh nghiên cứu liên ngành đột phá giữa Toán học giải tích, Logic đại số và Khoa học dữ liệu hiện đại, khẳng định vị thế tiên phong của khoa học công nghệ Việt Nam trên trường quốc tế.