Tổng quan về luận án

Trong kỷ nguyên bùng nổ dữ liệu và cách mạng công nghiệp 4.0, các hệ thống thông tin quy mô lớn (Big Data) thường xuyên đối mặt với hai thách thức cốt lõi: tính không đầy đủ của dữ liệu (incomplete data chứa các giá trị khuyết thiếu - missing values) và tính biến động liên tục theo thời gian (dynamic/streaming data). Rút gọn thuộc tính (attribute reduction hay feature selection) là bước tiền xử lý then chốt trong khai phá dữ liệu (data mining) và học máy (machine learning) nhằm loại bỏ các thuộc tính dư thừa (redundant attributes), giữ lại tập thuộc tính cốt lõi (reduct) bảo toàn năng lực phân loại.

Luận án tiến sĩ Khoa học máy tính của tác giả Nguyễn Anh Tuấn (2022) tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên, chuyên ngành Khoa học máy tính (Mã số: 9 48 01 01), với đề tài "Rút gọn thuộc tính trong bảng quyết định không đầy đủ có dữ liệu thay đổi theo tiếp cận mô hình tập thô dung sai", đã giải quyết trực tiếp bài toán tối ưu hóa không gian thuộc tính trên các hệ thông tin biến động.

Khoảng trống nghiên cứu (research gap) được xác định rõ ràng: Phần lớn các thuật toán rút gọn thuộc tính gia tăng (incremental attribute reduction) hiện hữu như của Shu và cộng sự (2015, 2017) hay Xie và cộng sự (2018, 2021) chủ yếu dựa trên tiếp cận lọc (filter approach) đơn thuần sử dụng miền dương (positive region) hoặc độ đo không nhất quán (inconsistency measure). Tiếp cận này tồn tại hạn chế lớn là tập rút gọn tìm được thường chưa tối ưu về số lượng thuộc tính và chưa tối đa hóa độ chính xác phân lớp (classification accuracy) của mô hình học máy phía sau. Mặt khác, các công trình tiếp cận lai ghép lọc - đóng gói (filter-wrapper hybrid) trước đó chưa bao quát toàn diện các kịch bản biến động dữ liệu, đặc biệt là trường hợp biến động giá trị của tập đối tượng và tập thuộc tính.

Luận án 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 cập nhật ma trận dung sai và độ đo khoảng cách giữa các phủ một cách gia tăng khi dữ liệu biến động mà không phải tính toán lại từ đầu trên toàn bộ bảng quyết định?
  • RQ2: Cơ chế lọc - đóng gói (Filter-Wrapper) kết hợp độ đo khoảng cách có thể thu nhỏ kích thước tập rút gọn $|R|$ đồng thời nâng cao độ chính xác phân lớp ($Acc$) so với tiếp cận lọc truyền thống hay không?
  • RQ3: Thuật toán xử lý trực tiếp kịch bản thay đổi giá trị của đối tượng/thuộc tính có ưu việt hơn quy trình gián tiếp (kết hợp xóa và thêm) về chi phí thời gian thực thi hay không?
  • RQ4: Giới hạn độ phức tạp tính toán của các thuật toán gia tăng đề xuất trong mối tương quan với kích thước tập gia tăng $\Delta U$ và $\Delta A$ là gì?

Tương ứng là các giả thuyết: H1 - Công thức gia tăng khoảng cách bảo toàn tính đơn điệu và tính tương đương với tính toán tĩnh; H2 - Cơ chế Filter-Wrapper giảm tối thiểu 15-30% số lượng thuộc tính dư thừa so với cơ chế Filter; H3 - Thuật toán cập nhật giá trị trực tiếp tiết kiệm đáng kể thời gian so với quy trình xóa - thêm gián tiếp; H4 - Chi phí tính toán của thuật toán gia tăng tỷ lệ thuận với kích thước phần biến động cục bộ thay vì toàn bộ dữ liệu $|U \times C|$.

Khung lý thuyết của nghiên cứu tích hợp Lý thuyết Tập thô (Pawlak, 1982), Mô hình Tập thô Dung sai (Tolerance Rough Set Model - Kryszkiewicz, 1998) và Mô hình Lựa chọn Thuộc tính Lai ghép Lọc - Đóng gói (Kohavi & John, 1997). Phạm vi thực nghiệm của luận án bao phủ 6 bộ dữ liệu chuẩn quốc tế từ kho lưu trữ UCI Machine Learning Repository (bao gồm Audiology, Soybean-large, House-votes-84, v.v.), được đánh giá thông qua phương pháp kiểm tra chéo 10-fold cross-validation với bộ phân lớp cây quyết định C4.5.

Literature Review và Positioning

Lý thuyết Tập thô (Rough Set Theory - RST) do Zdzisław Pawlak đề xuất năm 1982 là một công cụ toán học hữu hiệu để xử lý tính không chắc chắn, không chuẩn xác và thông tin không đầy đủ trong các hệ thống thông tin đầy đủ (Complete Information Systems - CIS) thông qua quan hệ bất khả phân (indiscernibility relation - quan hệ tương đương). Tuy nhiên, quan hệ tương đương đòi hỏi tính phản xạ, đối xứng và bắc cầu, điều này không thể áp dụng trực tiếp trên bảng quyết định không đầy đủ (Incomplete Decision Tables - IDS) chứa giá trị thiếu (ký hiệu là *).

Để vượt qua rào cản này, Marzena Kryszkiewicz (1998) đã tạo ra một bước ngoặt lý thuyết khi mở rộng quan hệ tương đương thành quan hệ dung sai (tolerance relation $SIM(P)$), cho phép hai đối tượng được xem là không phân biệt được nếu các thuộc tính đã biết của chúng có giá trị trùng nhau hoặc chứa giá trị khuyết thiếu (*). Quan hệ dung sai chỉ thỏa mãn tính phản xạ và đối xứng, không thỏa mãn tính bắc cầu, từ đó phân hoạch không gian đối tượng thành các lớp dung sai (tolerance classes $S_P(u)$) tạo thành một phủ (covering) của tập đối tượng $U$.

Trong thập niên qua, các nghiên cứu về rút gọn thuộc tính trong bảng quyết định không đầy đủ đã phát triển mạnh mẽ theo hai luồng tư tưởng chính:

  1. Luồng nghiên cứu dựa trên tiếp cận Lọc (Filter-based methods): Sử dụng các độ đo nội tại của dữ liệu để tìm tập rút gọn mà không cần thuật toán học máy phân lớp. Shu và cộng sự (2015) đề xuất thuật toán IARM-I (thêm đối tượng) và IARM-E (loại bỏ đối tượng) dựa trên công thức gia tăng miền dương. Tiếp đó, Shu và cộng sự (2017) mở rộng với thuật toán FSMV khi đối tượng thay đổi giá trị. Năm 2020, Zhang và cộng sự phát triển hai thuật toán gia tăng đa đối tượng KGIRA-M và KGIRD-M sử dụng độ đo hạt tri thức (knowledge granularity). Xie và cộng sự (2018, 2021) xây dựng thuật toán Object-R và Attribute-R dựa trên độ đo không nhất quán. Mặc dù các thuật toán này có tốc độ tính toán nhanh, nhưng vì tách rời hoàn toàn với bộ phân lớp, các tập thuộc tính thu được thường bị dư thừa cục bộ, dẫn đến độ chính xác phân lớp $Acc$ chưa đạt mức tối ưu.
  2. Luồng nghiên cứu dựa trên tiếp cận Lai ghép Lọc - Đóng gói (Filter-Wrapper hybrid methods): Kết hợp giai đoạn lọc (dùng độ đo lý thuyết tập thô để thu hẹp không gian tìm kiếm, sinh tập ứng viên) và giai đoạn đóng gói (sử dụng bộ phân lớp thực tế để chọn tập con có độ chính xác cao nhất). Mặc dù một số nghiên cứu sơ khởi đã xuất hiện, chúng chỉ dừng lại ở các trường hợp đơn giản (chỉ thêm đối tượng hoặc chỉ thêm thuộc tính) và sử dụng các công thức cập nhật tĩnh tốn kém.

Luận án định vị chính xác vào giao điểm của hai luồng nghiên cứu trên: Xây dựng hệ thống lý thuyết và giải thuật gia tăng toàn diện theo mô hình lai ghép Filter-Wrapper dựa trên độ đo khoảng cách phủ (covering distance metric). So với hai nghiên cứu quốc tế tiêu biểu cùng thời điểm là KGIRA-M/KGIRD-M của Zhang và cộng sự (2020) (IEEE Access) và Object-R/Attribute-R của Xie và cộng sự (2021) (Information Sciences), luận án không chỉ giải quyết trọn vẹn cả 6 kịch bản động (bổ sung, loại bỏ, cập nhật giá trị cho cả tập đối tượng và tập thuộc tính) mà còn chứng minh sự vượt trội rõ rệt về năng lực tinh giản thuộc tính và độ chính xác phân loại thực nghiệm.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng nền tảng lý thuyết tập thô dung sai của Kryszkiewicz (1998) và lý thuyết độ đo khoảng cách thông tin bằng việc hình thức hóa các mệnh đề và định lý cập nhật gia tăng ma trận dung sai và khoảng cách giữa các phủ.

Cho bảng quyết định không đầy đủ $IDS = \langle U, C \cup {d}, V, f \rangle$. Quan hệ dung sai trên tập thuộc tính $P \subseteq C$ được xác định bởi: $$SIM(P) = {(u, v) \in U \times U \mid \forall a \in P, a(u) = a(v) \lor a(u) = '' \lor a(v) = ''}$$

Lớp dung sai của đối tượng $u$ là $S_P(u) = {v \in U \mid (u, v) \in SIM(P)}$, sinh ra phủ $U / SIM(P)$. Ma trận dung sai $M(P) = (p_{ij}){n \times n}$ có phần tử $p{ij} = 1$ nếu $u_j \in S_P(u_i)$ và $p_{ij} = 0$ nếu ngược lại.

Khoảng cách giữa hai phủ sinh bởi tập thuộc tính điều kiện $C$ và tập thuộc tính quyết định ${d}$ được định nghĩa: $$D(C, C \cup {d}) = \frac{1}{|U|^2} \sum_{i=1}^n \left( |S_C(u_i) \cup S_{{d}}(u_i)| - |S_C(u_i) \cap S_{{d}}(u_i)| \right) = \frac{1}{n^2} \sum_{i=1}^n \sum_{j=1}^n (c_{ij} + d_{ij} - 2 c_{ij} d_{ij})$$

Độ quan trọng (significance) của thuộc tính $b \in C \setminus B$ đối với tập thuộc tính $B \subseteq C$ được thiết lập dựa trên khoảng cách: $$SIG_B(b) = D(B, B \cup {d}) - D(B \cup {b}, B \cup {b} \cup {d})$$

Mệnh đề lý thuyết cốt lõi: Độ quan trọng $SIG_B(b) \ge 0$ phản ánh mức độ giảm tính bất định và gia tăng năng lực phân biệt khi bổ sung thuộc tính $b$. Khi $D(B, B \cup {d}) = D(C, C \cup {d})$, tập $B$ bảo toàn toàn bộ năng lực phân loại của tập thuộc tính gốc $C$.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp 3 trụ cột lý thuyết: Mô hình tập thô dung sai (xử lý dữ liệu thiếu), Lý thuyết độ đo khoảng cách (định lượng thông tin phân biệt) và Chiến lược tối ưu hóa Wrapper (đảm bảo hiệu năng phân loại thực tế).

Đặc tính đột phá trong khung phân tích thể hiện ở công thức cập nhật khoảng cách gia tăng:

  1. Khi bổ sung tập đối tượng $\Delta U = {u_{n+1}, \dots, u_{n+s}}$: $$D_{U \cup \Delta U}(C, C \cup {d}) = \frac{n^2}{(n+s)^2} D_U(C, C \cup {d}) + \frac{2}{(n+s)^2} \sum_{i=n+1}^{n+s} \sum_{j=1}^i (c_{ij} + d_{ij} - 2 c_{ij} d_{ij})$$ Ý nghĩa: Cho phép tái sử dụng hoàn toàn giá trị khoảng cách cũ $D_U$, chỉ cần tính toán bổ sung trên phần ma trận mới kích thước $s \times (n+s)$.
  2. Điều kiện biên xác định tính hợp lệ của tập rút gọn cũ: Nếu $\forall u_{new} \in \Delta U, S_R(u_{new}) \subseteq S_{{d}}(u_{new})$, thì tập rút gọn $R$ hiện tại được bảo toàn nguyên vẹn trên bảng quyết định mới mà không cần chạy lại giai đoạn lọc, giúp giảm thời gian tính toán về $O(1)$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan thực chứng (Positivism) với phương pháp nghiên cứu thực nghiệm định lượng kết hợp chứng minh giải thuật toán học chặt chẽ. Hệ thống phương pháp luận được thiết kế đa tầng:

Bộ mẫu thực nghiệm được trích xuất từ 6 bộ dữ liệu chuẩn quốc tế trên UCI Machine Learning Repository, bao gồm các cấu trúc dữ liệu đa dạng về số lượng đối tượng ($|O|$ từ 226 đến 3.279), số lượng thuộc tính điều kiện ($|A|$ từ 16 đến 1.558), và số lớp quyết định ($|k|$ từ 2 đến 24):

| STT | Tập dữ liệu UCI | Số đối tượng ($|O|$) | $|O_{ori}|$ (Gốc) | $|O_{inc}|$ (Gia tăng) | Số thuộc tính ($|A|$) | Số lớp ($|k|$) | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 1 | Audiology.data | 226 | 116 | 110 | 69 | 24 | | 2 | Soybean-large.data | 307 | 157 | 150 | 35 | 19 | | 3 | House-votes-84.data| 435 | 218 | 217 | 16 | 2 | | 4 | Credit-approval.data| 690 | 345 | 345 | 15 | 2 | | 5 | Breast-cancer.data | 286 | 143 | 143 | 9 | 2 | | 6 | Arrhythmia.data | 452 | 226 | 226 | 279 | 16 |

Quy trình nghiên cứu rigorous

Quy trình thực nghiệm được chuẩn hóa nghiêm ngặt qua 4 bước:

  1. Phân chia tập dữ liệu động: Bộ dữ liệu gốc được chia thành 2 phần xấp xỉ bằng nhau: $O_{ori}$ (tập dữ liệu ban đầu) và $O_{inc}$ (tập dữ liệu gia tăng). $O_{inc}$ tiếp tục được chia thành 5 tập con đều nhau ${O_1, O_2, O_3, O_4, O_5}$ để thực hiện cập nhật cuốn chiếu từng bước (step-by-step incremental evaluation).
  2. Kiểm soát tính hợp lệ và độ tin cậy: Sử dụng phương pháp kiểm tra chéo 10-fold cross-validation lặp lại 10 lần độc lập. Độ chính xác phân lớp được báo cáo dưới dạng $v \pm \sigma$, trong đó $v$ là giá trị trung bình (mean) và $\sigma$ là sai số chuẩn (standard error), triệt tiêu hoàn toàn độ lệch do phân chia ngẫu nhiên.
  3. Môi trường thực thi chuẩn hóa: Toàn bộ thuật toán được lập trình trên môi trường MATLAB R2018b, thực thi trên hệ thống máy tính có cấu hình thống nhất: CPU Intel Core i7-3770 (3.40 GHz), RAM 8GB, Hệ điều hành Windows 7 Professional 64-bit.
  4. Phân tích độ phức tạp tính toán:
    • Thuật toán thêm đối tượng IDS_IFW_AO: $O(|C|^2 \cdot (|U| + |\Delta U|)^2) + O(|C| \cdot f(n))$, trong đó $f(n)$ là thời gian huấn luyện bộ phân lớp C4.5.
    • Thuật toán loại bỏ đối tượng IDS_IFW_DO: $O(|C|^2 \cdot (|U| - |\Delta U|)^2) + O(|C| \cdot f(n))$.
    • So sánh với việc chạy lại từ đầu (non-incremental): Tiết kiệm bậc đa thức về số phép duyệt ma trận.

Phát hiện đột phá và implications

Những phát hiện then chốt

Qua hàng trăm lượt chạy thực nghiệm so sánh đối đầu giữa các thuật toán đề xuất (IDS_IFW_AO, IDS_IFW_DO, FWIA_U_Obj, FWIA_AA, FWIA_DA, FWIA_U_Attr) với các thuật toán chuẩn quốc tế (IARM-I, IARM-E, KGIRA-M, KGIRD-M, FSMV, Object-R, Attribute-R, UARA, IDRA), luận án đã xác lập 4 phát hiện mang tính đột phá:

  1. Khả năng tối giản tập thuộc tính vượt bậc: Trên toàn bộ 6 tập dữ liệu, các thuật toán lai ghép lọc - đóng gói luôn sinh ra tập rút gọn có kích thước $|R|$ nhỏ nhất. Điển hình trên tập dữ liệu phức tạp Audiology.data ($|A|=69$):
    • Thuật toán IDS_IFW_AO chỉ cần 5 thuộc tính trong tập rút gọn.
    • Thuật toán IARM-I (Shu et al.) đòi hỏi tới 18 thuộc tính.
    • Thuật toán KGIRA-M (Zhang et al.) đòi hỏi 14 thuộc tính. Như vậy, phương pháp đề xuất đã loại bỏ thêm tới $72.2%$ thuộc tính dư thừa so với IARM-I và $64.3%$ so với KGIRA-M.
  2. Nâng cao vượt trội độ chính xác phân lớp: Độ chính xác phân lớp trung bình của IDS_IFW_AO trên Audiology.data đạt $76.16 \pm 1.24%$, vượt trội rõ rệt so với IARM-I ($70.84 \pm 1.56%$) và KGIRA-M ($73.45 \pm 1.32%$). Kết quả này khẳng định giả thuyết rằng việc đưa bộ phân lớp vào giai đoạn đóng gói để lựa chọn tập ứng viên tốt nhất từ giai đoạn lọc giúp mô hình thích ứng tối ưu với biên phân quyết định thực tế.
  3. Hiệu năng của thuật toán cập nhật giá trị trực tiếp: Trong kịch bản đối tượng thay đổi giá trị, thuật toán FWIA_U_Obj thực thi nhanh hơn $35% - 48%$ so với việc thực hiện gián tiếp hai thuật toán loại bỏ đối tượng (IDS_IFW_DO) rồi sau đó bổ sung đối tượng mới (IDS_IFW_AO). Tương tự, trong kịch bản thuộc tính thay đổi giá trị, thuật toán FWIA_U_Attr vượt trội hoàn toàn về mặt thời gian so với chuỗi thao tác FWIA_DA + FWIA_AA.
  4. Cân bằng giữa chi phí tính toán và chất lượng mô hình: Mặc dù tổng thời gian thực hiện của tiếp cận Filter-Wrapper cao hơn tiếp cận Filter thuần túy (do chi phí chạy kiểm tra chéo 10-fold của C4.5 trong bước đóng gói), nhưng thời gian này hoàn toàn chấp nhận được trong các tác vụ tiền xử lý ngoại tuyến (offline/near-line preprocessing) và bù lại bằng một mô hình suy diễn có kích thước siêu gọn nhẹ và độ chính xác cao khi triển khai thực tế.

Implications đa chiều

  • Về mặt lý thuyết: Hoàn thiện lý thuyết tập thô dung sai động bằng việc thiết lập hệ thống công thức cập nhật khoảng cách khép kín cho toàn bộ các chiều biến thiên của dữ liệu (không gian mẫu, không gian chiều dữ liệu và giá trị thuộc tính).
  • Về mặt phương pháp luận: Đặt ra một chuẩn mực mới trong thiết kế thuật toán chọn thuộc tính: Kết hợp tính toán gia tăng giải tích (analytical incremental update) với tìm kiếm heuristics định hướng mô hình phân lớp (wrapper-guided search).
  • Về mặt ứng dụng thực tiễn: Cung cấp công cụ tiền xử lý dữ liệu đắc lực cho các hệ thống giám sát y tế theo thời gian thực (như phân loại rối loạn nhịp tim trong Arrhythmia), hệ thống chấm điểm tín dụng ngân hàng tự động cập nhật (Credit-approval), và các hệ thống phát hiện xâm nhập mạng/phân loại luồng dữ liệu lớn.

Limitations và Future Research

Mặc dù đạt được những bước tiến vượt bậc, luận án cũng chỉ rõ các giới hạn mang tính biên điều kiện (boundary conditions):

  1. Kiểu dữ liệu thiếu: Luận án tập trung vào mô hình dữ liệu thiếu không biết (missing values as "do not care" - ký hiệu *), chưa mở rộng cho trường hợp giá trị thiếu bị mất thuộc tính (lost values) hoặc thuộc tính có phân phối xác suất điều kiện.
  2. Rời rạc hóa dữ liệu liên tục: Các thuộc tính liên tục đòi hỏi phải qua bước rời rạc hóa (discretization) trước khi xây dựng ma trận dung sai, điều này có thể làm mất mát một phần thông tin biên.
  3. Môi trường tính toán phân tán: Toàn bộ thuật toán được thiết kế và thực nghiệm trên kiến trúc đơn luồng/máy tính đơn lẻ (standalone PC), chưa triển khai song song hóa trên các nền tảng tính toán phân tán dữ liệu lớn như Apache Spark hay Hadoop MapReduce.

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

  • Hướng 1: Mở rộng các công thức gia tăng khoảng cách sang mô hình Tập thô mờ dung sai (Fuzzy Tolerance Rough Set) và Tập thô trực cảm (Intuitionistic Rough Set) để xử lý trực tiếp dữ liệu số thực hỗn hợp.
  • Hướng 2: Thiết kế các thuật toán song song hóa phân tán (Distributed Incremental Algorithms) tận dụng kiến trúc GPU và bộ nhớ phân tán (RDDs trên Spark) để xử lý các bảng quyết định có hàng triệu đối tượng và hàng chục ngàn thuộc tính (như dữ liệu biểu hiện gen microarray).
  • Hướng 3: Tích hợp các bộ phân lớp học sâu (Deep Neural Networks / TabNet) vào giai đoạn đóng gói thay cho cây quyết định C4.5 truyền thống.

Tác động và ảnh hưởng

Nghiên cứu của tác giả Nguyễn Anh Tuấn tạo ra sức lan tỏa sâu rộng trên nhiều bình diện:

  • Tác động học thuật: Các công trình khoa học của tác giả được công bố trên các tạp chí chuyên ngành uy tín trong nước và quốc tế, đóng góp một hướng đi sắc bén trong cộng đồng nghiên cứu Trí tuệ nhân tạo và Khai phá dữ liệu sử dụng mô hình tập thô (Rough Set Community).
  • Tối ưu hóa tài nguyên công nghệ thông tin: Bằng cách giảm thiểu từ 30% đến 70% số chiều dữ liệu mà vẫn gia tăng độ chính xác phân loại, giải pháp giúp các doanh nghiệp cắt giảm đáng kể chi phí lưu trữ đám mây, băng thông truyền tải và tài nguyên tính toán phần cứng.
  • Tác động kinh tế - xã hội: Ứng dụng thuật toán trong y tế cho phép các hệ thống hỗ trợ chẩn đoán bệnh tự động (CAD) đưa ra kết quả phân loại chính xác dựa trên số lượng xét nghiệm tối thiểu, giảm thiểu chi phí y tế và thời gian chờ đợi cho bệnh nhân. Trong lĩnh vực tài chính, các mô hình chấm điểm tín dụng động có thể thích ứng tức thì với hành vi chi tiêu mới của khách hàng mà không làm gián đoạn hệ thống.

Đối tượng hưởng lợi

  • Nghiên cứu sinh (Doctoral Researchers) & Học viên Cao học: Tìm thấy cơ sở lý thuyết toán học vững chắc, các chứng minh định lý tường minh và mô hình thuật toán mẫu để tiếp tục phát triển các đề tài nghiên cứu về học máy gia tăng và tập thô mở rộng.
  • Các nhà khoa học dữ liệu (Data Scientists) & Kỹ sư AI: Tiếp cận được một framework tiền xử lý dữ liệu tối ưu có khả năng nhúng trực tiếp vào các pipeline ETL/MLOps của các hệ thống dữ liệu lớn thời gian thực.
  • Các tổ chức Y tế, Tài chính, Viễn thông: Ứng dụng giải pháp để xây dựng các động cơ phân tích dự báo (predictive engines) có khả năng tự thích ứng (self-adaptive) với dữ liệu mới phát sinh hàng ngày.

Câu hỏi chuyên sâu

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

Đóng góp lý thuyết độc đáo nhất là việc thiết lập hệ thống công thức cập nhật gia tăng độ đo khoảng cách giữa hai phủ $D(C, C \cup {d})$ trong mô hình tập thô dung sai. Luận án đã mở rộng trực tiếp lý thuyết tập thô dung sai của Kryszkiewicz (1998) từ trạng thái tĩnh sang trạng thái động toàn phần, đồng thời mở rộng khung độ đo khoảng cách của các nghiên cứu trước đó bằng cách đưa ra công thức giải tích phân rã ma trận dung sai, cho phép tách biệt phần bất biến và phần biến động của dữ liệu để tái sử dụng kết quả tính toán cũ.

2. Sự đổi mới về phương pháp luận khi so sánh đối đầu với ít nhất 2 nghiên cứu quốc tế?

So sánh với nghiên cứu của Zhang và cộng sự (2020) (KGIRA-M/KGIRD-M) và Shu và cộng sự (2015, 2017) (IARM-I/FSMV):

  • Các nghiên cứu quốc tế nói trên thuần túy đi theo tiếp cận Lọc (Filter) sử dụng hạt tri thức hoặc miền dương, trong đó tập rút gọn được xác định hoàn toàn độc lập với thuật toán phân loại, dẫn đến tập thuộc tính tìm được vẫn còn cồng kềnh và độ chính xác phân lớp bị giới hạn.
  • Luận án đã đổi mới bằng Kiến trúc Lai ghép Lọc - Đóng gói (Filter-Wrapper): Giai đoạn lọc sử dụng độ đo khoảng cách dung sai để chọn lọc nhanh không gian ứng viên, sau đó giai đoạn đóng gói sử dụng bộ phân lớp C4.5 để chọn ra tập rút gọn tối ưu toàn cục. Kết quả thực nghiệm chứng minh phương pháp của luận án luôn cho kích thước tập rút gọn nhỏ hơn từ $20% - 60%$ và độ chính xác phân lớp cao hơn từ $2% - 8%$ so với các phương pháp quốc tế trên.

3. Phát hiện bất ngờ nhất (counter-intuitive result) thu được từ dữ liệu thực nghiệm là gì?

Phát hiện bất ngờ nhất là: Số lượng thuộc tính trong tập rút gọn ít hơn đáng kể lại tạo ra độ chính xác phân lớp cao hơn rõ rệt. Cụ thể trên bộ dữ liệu Audiology.data, tập rút gọn chỉ gồm 5 thuộc tính của IDS_IFW_AO đạt độ chính xác $76.16%$, trong khi tập rút gọn gồm 18 thuộc tính của IARM-I chỉ đạt $70.84%$. Về mặt lý thuyết trực giác, nhiều thuộc tính hơn dường như lưu giữ nhiều thông tin hơn. Tuy nhiên, dữ liệu thực nghiệm chứng minh rằng trong các bảng quyết định không đầy đủ, nhiều thuộc tính thực chất chứa nhiễu (noise) và giá trị thiếu không kiểm soát; việc loại bỏ mạnh mẽ các thuộc tính này giúp bộ phân lớp tránh được hiện tượng quá khớp (overfitting) và tối ưu hóa mặt phẳng phân lớp.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) minh bạch hay không?

Có. Luận án cung cấp đầy đủ và minh bạch:

  • Mã giả chi tiết từng bước của tất cả 6 thuật toán gia tăng đề xuất.
  • Bảng đặc tả toán học các ký hiệu, biến số và công thức cập nhật ma trận.
  • Nguồn dữ liệu thực nghiệm công khai từ kho lưu trữ chuẩn UCI kèm theo quy chuẩn phân tách tập huấn luyện/kiểm tra ($O_{ori}$ và 5 phần $O_{inc}$) và tham số cố định của quy trình kiểm tra chéo 10-fold cross-validation với cây quyết định C4.5.

5. Lộ trình nghiên cứu 10 năm (10-year research agenda) được vạch ra như thế nào?

  • Giai đoạn 1 (1-3 năm): Mở rộng mô hình khoảng cách dung sai gia tăng cho dữ liệu hỗn hợp (hybrid data chứa cả biến định danh, biến thứ tự và biến liên tục) bằng cách kết hợp với Lý thuyết Tập thô mờ (Fuzzy Rough Sets).
  • Giai đoạn 2 (4-6 năm): Xây dựng framework tính toán phân tán cho thuật toán trên nền tảng Big Data (Apache Spark GraphX / RDD), tối ưu hóa việc phân chia và tổng hợp ma trận dung sai trên cụm máy chủ (cluster computing).
  • Giai đoạn 3 (7-10 năm): Tích hợp cơ chế rút gọn thuộc tính gia tăng vào các mô hình Deep Learning tự thích ứng (Self-supervised Dynamic Tabular Networks), ứng dụng trực tiếp trong các hệ thống Trí tuệ nhân tạo tự hành và phân tích luồng dữ liệu IoT/Sensor quy mô siêu lớn.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Anh Tuấn đã đóng góp toàn diện cho ngành Khoa học máy tính với 6 kết quả nghiên cứu cụ thể:

  1. Xây dựng hệ thống công thức gia tăng cập nhật ma trận dung sai và độ đo khoảng cách phủ cho 6 kịch bản biến động toàn diện: thêm/bớt đối tượng, thêm/bớt thuộc tính, và sửa đổi giá trị của đối tượng/thuộc tính trên bảng quyết định không đầy đủ.
  2. Đề xuất bộ thuật toán gia tăng lai ghép Lọc - Đóng gói tiên phong (IDS_IFW_AO, IDS_IFW_DO, FWIA_U_Obj, FWIA_AA, FWIA_DA, FWIA_U_Attr), giải quyết triệt để sự mất cân đối giữa chi phí tính toán và chất lượng phân loại của các tiếp cận truyền thống.
  3. Chứng minh toán học chặt chẽ tính đúng đắn, tính hội tụ và phân tích độ phức tạp thời gian/không gian của các thuật toán đề xuất.
  4. Thực hiện thực nghiệm quy mô lớn trên 6 bộ dữ liệu chuẩn quốc tế UCI, chứng minh tính vượt trội của phương pháp đề xuất so với các công trình công bố quốc tế mới nhất (IARM, KGIRA-M, FSMV, Object-R, Attribute-R) cả về tỷ lệ tối giản thuộc tính (giảm 20-72%) lẫn độ chính xác phân lớp (tăng 2-8%).
  5. Khẳng định tính ưu việt của phương pháp xử lý trực tiếp sự biến đổi giá trị dữ liệu so với quy trình kết hợp gián tiếp, mở ra giải pháp tối ưu cho các hệ sinh thái dữ liệu biến đổi liên tục theo thời gian thực.
  6. Đặt nền móng lý thuyết vững chắc và lộ trình khoa học cho việc phát triển các mô hình học máy tự thích ứng trên các hệ thống dữ liệu lớn không đầy đủ trong tương lai.