Tổng quan về luận án

Trong kỷ nguyên bùng nổ dữ liệu số (Big Data), bài toán tối ưu hóa không gian biểu diễn tri thức thông qua rút gọn thuộc tính (attribute reduction hay feature selection) giữ vai trò then chốt trong khai phá dữ liệu và nhận dạng mẫu. Luận án tiến sĩ ngành Hệ thống thông tin (Mã số: 9 48 01 04) với đề tài "Rút gọn thuộc tính trong bảng quyết định theo tiếp cận tập thô mờ trực cảm và tôpô suy rộng" do Nghiên cứu sinh Trần Thanh Đại thực hiện dưới sự hướng dẫn khoa học của PGS. TS Nguyễn Long Giang và GS. TS Vũ Đức Thi tại Viện Công nghệ thông tin – Viện Hàn lâm Khoa học và Công nghệ Việt Nam (2023), đại diện cho một bước tiến toán học và thuật toán đột phá. Công trình tiên phong hợp nhất hai trụ cột toán học trừu tượng: Lý thuyết Tập thô mờ trực cảm (Intuitionistic Fuzzy Rough Sets - IFRS) và Không gian Tôpô suy rộng (Generalized Topology/Hausdorff Topology), giải quyết dứt điểm các giới hạn cố hữu của mô hình tập thô cổ điển trên các bảng quyết định số (numerical decision tables) chứa nhiều chiều dữ liệu và độ nhiễu cao.

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tế: Lý thuyết tập thô truyền thống do Pawlak đề xuất (1982) vận hành trên quan hệ tương đương nhị phân rời rạc ($IND(B) = {(u, v) \in U \times U \mid \forall a \in B, a(u) = a(v)}$), buộc các bảng quyết định số liên tục phải trải qua bước tiền xử lý rời rạc hóa (discretization), gây suy biến và mất mát thông tin cục bộ nghiêm trọng. Dù các tiếp cận tập thô mờ (FRS) sau đó của Dubois & Prade đã khắc phục tính rời rạc bằng hàm độ thuộc $\mu_A(x) \in [0, 1]$, song FRS hoàn toàn bỏ qua bậc không thuộc ($\nu_A(x)$) và độ do dự ($\pi_A(x) = 1 - \mu_A(x) - \nu_A(x)$). Trong khi đó, các mô hình IFRS đương đại của Tan et al. (2017, 2020) lại xây dựng không gian xấp xỉ quá phức tạp và độ đo ý nghĩa thuộc tính (như Intuitionistic Fuzzy POS) có độ phức tạp tính toán rất lớn, không tối ưu được số lượng phần tử của tập rút gọn (reduct size) trên dữ liệu nhiễu. Song song đó, hướng tiếp cận rút gọn dựa trên tôpô đại số khởi xướng bởi Lashin et al. (2005) và Xie et al. (2021) vẫn dừng lại ở mức mô hình định tính, thiếu khung giải thuật đại số khả thi trên bảng dữ liệu liên tục thực tế.

Luận án đặt ra và giải quyết ba câu hỏi nghiên cứu tường minh:

  1. RQ1: Làm thế nào để thiết lập một độ đo khoảng cách tri thức chặt chẽ trên không gian xấp xỉ mờ trực cảm nhằm phản ánh chính xác cấu trúc tương quan đối tượng và tối ưu hóa thời gian tính toán?
  2. RQ2: Cấu trúc tôpô mờ trực cảm (IFT) và độ đo tương đồng tôpô tương ứng được định nghĩa toán học như thế nào để xây dựng các giải thuật rút gọn Filter và lai ghép Filter-Wrapper hiệu quả?
  3. RQ3: Cách thức kiến tạo không gian tôpô Hausdorff $T_2$ từ không gian xấp xỉ mờ ngưỡng $\beta$ để cô lập các đối tượng phân biệt và thu được tập rút gọn cực tiểu với độ chính xác phân lớp vượt trội?

Hệ thống giả thuyết khoa học được kiểm chứng bao gồm:

  • H1: Độ đo khoảng cách mờ trực cảm (Intuitionistic Fuzzy Distance - IFD) mở rộng từ khoảng cách Jaccard bảo toàn trọn vẹn bất đẳng thức tam giác và tính đơn điệu đại số, cho phép đào thải thuộc tính dư thừa chính xác hơn độ đo phụ thuộc truyền thống.
  • H2: Mô hình lai ghép hai giai đoạn ($W_\delta$ tìm ứng viên và $W_A$ tối ưu hóa reduct) giảm thiểu triệt để không gian tìm kiếm từ $2^{|C|}$ xuống đa thức, cải thiện đáng kể độ chính xác phân lớp trên các mô hình Support Vector Machines (SVM) và k-Nearest Neighbors (k-NN).
  • H3: Cấu trúc tôpô Hausdorff cho phép thiết lập các lân cận mở không giao nhau ($V_x \cap V_y = \emptyset$), tạo ranh giới phân tách lớp rõ ràng ngay cả khi dữ liệu có độ nhiễu cao.

Nghiên cứu được triển khai thực nghiệm diện rộng trên hệ thống các bộ dữ liệu chuẩn quốc tế từ UCI Machine Learning Repository với kích thước mẫu $|U|$ và số chiều thuộc tính $|C|$ đa dạng, khẳng định tính toàn diện và độ tin cậy thực chứng cao.

Literature Review và Positioning

Tổng quan tài liệu học thuật quốc tế và trong nước về bài toán rút gọn thuộc tính ghi nhận sự tiến hóa qua ba làn sóng nghiên cứu chính:

Làn sóng thứ nhất tập trung vào lý thuyết tập thô kinh điển (Pawlak, 1982, 1988) và ma trận phân biệt (Skowron & Rauszer, 1992). Mô hình này tạo nền móng vững chắc cho khái niệm tập rút gọn (reduct) và thuộc tính lõi (core). Tuy nhiên, hạn chế cố hữu là chỉ xử lý dữ liệu rời rạc. Để mở rộng trên bảng quyết định số, các tác giả quốc tế như Jensen & Shen (2009), Chen et al. (2011) đã phát triển tập thô mờ (FRS) sử dụng các toán tử T-norm (như Lukasiewicz, Min-Max) và quan hệ tương đương mờ $R_B(x_i, x_j)$. Tại Việt Nam, các công trình của Cao Chính Nghĩa (2015) dùng độ đo miền dương mờ (FPOS), Nguyễn Văn Thiện (2018) và Hồ Thị Phượng (2020) nghiên cứu độ đo khoảng cách mờ trên bảng quyết định động. Tuy nhiên, FRS bộc lộ điểm yếu khi xử lý dữ liệu không chắc chắn mức độ cao do không lượng hóa được độ do dự.

Làn sóng thứ hai khai thác Tập mờ trực cảm (IFS) do Atanassov (1986) khởi xướng, mô tả mỗi phần tử qua bộ ba $\langle x, \mu_X(x), \nu_X(x) \rangle$ với ràng buộc $0 \le \mu_X(x) + \nu_X(x) \le 1$. Cornelis et al. (2006), Huang et al. (2013), và gần đây là Tan, Chen et al. (2017, 2020) đã phát triển các biến thể tập thô mờ trực cảm (IFRS), mô hình tập thô xác suất mờ trực cảm và độ đo entropy thông tin mờ trực cảm (IFIE). Các nghiên cứu đối sánh chỉ ra rằng IFRS vượt trội trong việc kiểm soát nhiễu. Tuy nhiên, tồn tại một tranh luận học thuật lớn giữa hai trường phái:

  • Trường phái tiếp cận độ đo phụ thuộc/miền dương trực cảm (Tan et al., 2017): Cho rằng cần tối đa hóa miền dương $POS_B(D)$, nhưng phương pháp này chịu chi phí tính toán cấp số nhân khi tính toán bao đóng xấp xỉ dưới, dẫn đến bùng nổ thời gian thực thi trên dữ liệu lớn.
  • Trường phái tiếp cận Entropy thông tin (IFIE) (Dai et al., 2018; Chen et al., 2020): Tập trung vào độ bất định thông tin nhưng thường sinh ra các tập rút gọn có lực lượng lớn, chứa đựng thuộc tính giả mạo khi phân bố dữ liệu bị lệch.

Làn sóng thứ ba là tiếp cận Tôpô đại số trong RS. Pawlak (1988) và sau đó là Lashin et al. (2005) chứng minh sự tương đương đại số giữa phép toán xấp xỉ dưới/trên của RS với toán tử miền trong ($INT$) và bao đóng ($CLS$) của không gian tôpô $(U, \tau)$. Tiếp tục hướng đi này, Zhu (2007) mở rộng tôpô trên họ phủ, còn Xie et al. (2021) đề xuất ma trận phân biệt dựa trên cấu trúc tôpô. Dẫu vậy, các công trình quốc tế của Lashin et al. hay Xie et al. hầu như chỉ thuần túy toán học lý thuyết, chưa giải quyết được bài toán tối ưu hóa reduct thực nghiệm trên dữ liệu số nhiều chiều.

Luận án của Trần Thanh Đại định vị chính xác tại giao điểm đột phá: Khắc phục sự phức tạp tính toán của Tan et al. bằng cách đề xuất độ đo khoảng cách mờ trực cảm (IFD) tinh gọn, đồng thời hiện thực hóa các tiên đề tôpô của Lashin et al. và Xie et al. thành cấu trúc Tôpô Hausdorff phân tách thực nghiệm trên không gian xấp xỉ $\beta$-mờ.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Công trình mang lại những bước tiến nền tảng cho lý thuyết hệ thống thông tin và toán học tính toán:

  1. Mở rộng lý thuyết không gian mờ trực cảm của Atanassov (1986): Xây dựng định nghĩa lực lượng của tập mờ trực cảm $X$ xác định trên vũ trụ $U$: $$|X| = \sum_{i=1}^{|U|} \frac{1 + \mu_i(x) - \nu_i(x)}{2}$$ Công thức này lượng hóa trọn vẹn cả độ thuộc và độ không thuộc, cung cấp công cụ tính toán giải tích chuẩn xác thay thế cho cách tính lực lượng mờ truyền thống.
  2. Hình thành lý thuyết khoảng cách mờ trực cảm (IFD): Định nghĩa khoảng cách giữa hai tập mờ trực cảm $\tilde{X}, \tilde{Y} \subseteq U$: $$d(\tilde{X}, \tilde{Y}) = |\tilde{X} \cup \tilde{Y}| - |\tilde{X} \cap \tilde{Y}|$$ Tác giả chứng minh chặt chẽ Bổ đề 2.1 và Mệnh đề 2.1, xác lập rằng $d(\tilde{X}, \tilde{Y})$ thỏa mãn đầy đủ ba tiên đề metric (tính đồng nhất, đối xứng và bất đẳng thức tam giác: $d(\tilde{X}, \tilde{Y}) + d(\tilde{Y}, \tilde{Z}) \ge d(\tilde{X}, \tilde{Z})$), tạo cơ sở toán học vững chắc cho việc định lượng độ tương tự tri thức.
  3. Chuyển dịch Paradigm Không gian Tôpô Hausdorff trong Hệ thống thông tin: Hiện thực hóa tiên đề phân tách $T_2$ (Hausdorff separation axiom) trong khai phá dữ liệu. Bằng cách thiết lập cấu trúc tôpô $\tau_H$, tác giả chứng minh rằng với mọi cặp đối tượng khác biệt $x \neq y$, luôn tồn tại hai lân cận mở $V_x, V_y \in \tau_H$ sao cho $V_x \cap V_y = \emptyset$, loại bỏ hoàn toàn hiện tượng nhập nhằng biên phân lớp trong các bài toán nhận dạng.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp sâu sắc 3 lý thuyết: Lý thuyết Tập thô (Pawlak), Lý thuyết Tập mờ trực cảm (Atanassov) và Tôpô đại số (Kelley). Sự tương giao giữa các phép toán được mô hình hóa qua bảng đối sánh:

Khái niệm Hệ thông tin / RS Khái niệm Toán học Tôpô tương đương Biểu diễn Hình thức trong Luận án
Quan hệ tương đương $R$ Không gian Tôpô $(U, \tau)$ $\tau = {X \subseteq U \mid \underline{R}(X) = \overline{R}(X)}$
Vùng chắc chắn thuộc (Xấp xỉ dưới) Phần trong Tôpô (Interior - $INT$) $A^\circ = \bigcup {G \subseteq U : G \subseteq A}$
Vùng có thể thuộc (Xấp xỉ trên) Bao đóng Tôpô (Closure - $CLS$) $\overline{A} = \bigcap {F \subseteq U : A \subseteq F}$
Phân hoạch tri thức $U/B$ Cơ sở Tôpô (Base $\beta$) $\beta_C = \beta_B \iff B$ là Reduct bảo toàn tôpô
Phân tách đối tượng Tiên đề tách Hausdorff $T_2$ $V_x \cap V_y = \emptyset, \forall x \neq y$

Điều kiện biên (boundary conditions) được xác định tường minh: Luận án áp dụng cho các bảng quyết định đầy đủ có miền giá trị số thực ($V_c \subseteq \mathbb{R}$), tập quyết định phân lớp rời rạc ($V_D \subseteq \mathbb{N}$), và mở rộng thích nghi tốt trên các hệ cơ sở dữ liệu có tỷ lệ nhiễu cao.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ nghiêm ngặt triết lý thực chứng thực nghiệm (Positivism/Empiricism) kết hợp toán học kiến tạo hình thức (Formal Constructivism). Thiết kế nghiên cứu đa tầng (Multi-level experimental design) bao gồm:

  1. Tầng toán học thuần túy: Thiết lập hệ thống tiên đề, định lý, bổ đề và chứng minh hình thức các tính chất metric, tính compact và khả ly của không gian tôpô.
  2. Tầng thiết kế giải thuật: Đề xuất 4 thuật toán chính:
    • Thuật toán rút gọn mờ trực cảm lai ghép: IFD_Hybrid
    • Thuật toán rút gọn tôpô mờ trực cảm dạng lọc: F_IFT
    • Thuật toán rút gọn tôpô mờ trực cảm lai ghép: FW_IFT
    • Thuật toán rút gọn tôpô Hausdorff lai ghép: FW_Hausdorff
  3. Tầng đánh giá thực nghiệm: Đánh giá chéo đa chiều trên các bộ dữ liệu benchmark, so sánh đối chuẩn trực tiếp với các thuật toán quốc tế tiêu biểu.

Quy trình nghiên cứu rigorous

Quy trình tiền xử lý và chuẩn hóa dữ liệu số áp dụng phương pháp Min-Max Normalization chuẩn: $$f'{c_k}(x_i) = \frac{f{c_k}(x_i) - \min_{c_k}}{\max_{c_k} - \min_{c_k}}$$ Đưa toàn bộ giá trị thuộc tính về đoạn chuẩn tắc $[0, 1]$. Ma trận quan hệ mờ trực cảm $M = [r_{ij}]{|U| \times |U|}$ được tính toán qua hàm nhân Gauss (Gaussian Kernel) kết hợp độ lệch chuẩn $\sigma{c_k}$: $$r_{ij}^B = \exp\left(-\frac{|x_i - y_j|_B^2}{2\delta^2}\right)$$ với tham số bán kính lân cận $\delta \in (0, 1]$ và ngưỡng xấp xỉ $\beta \in [0.5, 1.0]$.

Giao thức đánh giá áp dụng phương pháp 10-Fold Cross-Validation (chia ngẫu nhiên dữ liệu thành 10 phần độc lập: 9 phần huấn luyện, 1 phần kiểm thử, lặp lại 10 lần lấy giá trị trung bình kỳ vọng). Ma trận lầm lẫn nhị phân và đa lớp được thiết lập chặt chẽ để đo lường 6 chỉ số kiểm định:

  • Độ chính xác tổng thể (Classification Accuracy): $$ACC = \frac{TP + TN}{TP + TN + FP + FN}$$
  • Tỷ lệ lỗi (Error Rate): $Error = 1 - ACC$
  • Độ chuẩn xác (Precision): $Precision = \frac{TP}{TP + FP}$
  • Độ nhạy (Recall): $Recall = \frac{TP}{TP + FN}$
  • Điểm F-measure ($F_1$ score): $F = \frac{2 \times Precision \times Recall}{Precision + Recall}$
  • Độ đo $F_\beta$: $F_\beta = \frac{(1 + \beta^2) \times Precision \times Recall}{\beta^2 \times Precision + Recall}$

Data và phân tích

Nghiên cứu sử dụng 100% dữ liệu thực nghiệm chuẩn từ kho dữ liệu máy học uy tín nhất thế giới - UCI Machine Learning Repository, bao gồm các tập dữ liệu có độ phức tạp cao, số chiều lớn và mức độ nhiễu đa dạng như: Wine, Iris, Glass, Bupa, Ionosphere, Sonar, WDBC, Parkinsons, WPBC, Spambase...

Các mô hình phân lớp chuẩn được sử dụng làm bộ thẩm định (classifiers) bao gồm:

  • Support Vector Machines (SVM): Tối ưu hóa siêu phẳng phân cách mềm với hàm nhân phi tuyến RBF.
  • k-Nearest Neighbors (k-NN): Phân lớp dựa trên khoảng cách không gian với $k \in {3, 5}$.
  • Cây quyết định C4.5 và CART: Được sử dụng làm cơ sở kiểm tra tính vững (robustness check).

Toàn bộ thuật toán được lập trình tối ưu hóa, kiểm thử độc lập và phân tích độ phức tạp thời gian đạt mức đa thức thấp $\mathcal{O}(|C|^2 \cdot |U|^2)$, vượt trội so với độ phức tạp $\mathcal{O}(|C|^3 \cdot |U|^2)$ của các thuật toán ma trận phân biệt và miền dương mờ trực cảm trước đây.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Thuật toán IFD_Hybrid nén không gian thuộc tính ngoạn mục trong khi nâng cao chất lượng phân lớp: Trên tập dữ liệu có số chiều cao và độ phân tách phức tạp như Sonar ($|C|=60$), thuật toán rút gọn giảm số lượng thuộc tính từ 60 xuống chỉ còn dưới 12 thuộc tính (giảm hơn 80% số chiều dữ liệu), đồng thời độ chính xác phân lớp trên mô hình SVM tăng từ 76.4% (trên tập dữ liệu gốc RAW) lên 86.8% (trên tập rút gọn Reduct), chứng minh việc loại bỏ các thuộc tính nhiễu làm tăng biên phân tách siêu phẳng của SVM.

  2. Cấu trúc Tôpô mờ trực cảm FW_IFT vượt trội tuyệt đối so với tiếp cận thuần Filter F_IFT: Dữ liệu thực nghiệm chứng minh giải thuật lai ghép FW_IFT sinh ra tập rút gọn có kích thước nhỏ hơn trung bình 35% - 48% so với thuật toán lọc F_IFT, đồng thời đạt độ chính xác phân lớp trung bình trên mô hình k-NN cao hơn từ 3.2% đến 7.5% trên toàn bộ các tập dữ liệu UCI thử nghiệm.

  3. Cấu trúc Tôpô Hausdorff giải quyết triệt để bài toán phân lớp dữ liệu nhiễu: Khi tham số ngưỡng $\beta$ được tinh chỉnh trong khoảng tối ưu $[0.65, 0.85]$, thuật toán FW_Hausdorff tạo ra các lân cận mở Hausdorff cô lập hoàn hảo các điểm dị biệt (outliers). Kết quả phân lớp trên tập Ionosphere và WDBC đạt độ chính xác phân lớp vượt ngưỡng 95.6%, vượt qua tất cả các thuật toán đối chuẩn cùng lớp (như FPOS, IFIE, NRS).

  4. Hiện tượng phi trực giác (Counter-intuitive Phenomenon) được giải mã: Trong lý thuyết thông tin thông thường, việc cắt giảm bớt biến đầu vào thường làm giảm lượng thông tin chứa đựng. Tuy nhiên, luận án chứng minh rằng trong bảng quyết định số có nhiễu, việc loại bỏ các thuộc tính có hàm không thuộc $\nu(x)$ cao và độ do dự $\pi(x)$ lớn không những không làm suy giảm tri thức mà còn loại bỏ "hiệu ứng phân tán không gian" (curse of dimensionality), giúp mô hình SVM và k-NN định vị chính xác biên quyết định.

       BẢNG SO SÁNH HIỆU NĂNG TỔNG HỢP (MINH HỌA TỪ THỰC NGHIỆM UCI)

Implications đa chiều

  • Về mặt Lý thuyết: Công trình đã bắc nhịp cầu hoàn hảo giữa hai nhánh Toán học trừu tượng (Lý thuyết Tập thô mờ trực cảm và Không gian Tôpô đại số), chứng minh rằng các tính chất tôpô như tính compact, tính khả ly và tiên đề phân tách $T_2$ hoàn toàn có thể chuyển hóa thành các công cụ giải tích hữu hiệu trong trí tuệ nhân tạo.
  • Về mặt Phương pháp luận: Cung cấp quy trình chuẩn mực cho thiết kế giải thuật rút gọn lai ghép Filter-Wrapper hai pha ($W_\delta \to W_A$), giải quyết triệt để mâu thuẫn muôn thuở giữa tốc độ thực thi của Filter và độ chính xác phân lớp của Wrapper.
  • Về mặt Ứng dụng Thực tiễn:
    • Hệ thống Y tế thông minh (Smart Healthcare): Ứng dụng chẩn đoán sớm ung thư qua dữ liệu gen và hình ảnh y khoa (WDBC, Parkinsons), giúp giảm số lượng xét nghiệm sinh hóa đắt đỏ mà vẫn đảm bảo độ chính xác chẩn đoán trên 95%.
    • An ninh mạng & Xử lý thư rác (Spam/Intrusion Detection): Tối ưu hóa tập luật phân loại gói tin mạng theo thời gian thực nhờ kích thước reduct cực tiểu.
    • Tài chính - Ngân hàng: Chấm điểm tín dụng và phát hiện gian lận giao dịch trong điều kiện dữ liệu khách hàng bị thiếu hoặc không nhất quán.

Limitations và Future Research

Nhìn nhận khách quan dưới góc độ học thuật nghiêm ngặt, luận án có các giới hạn nghiên cứu (limitations) và điều kiện biên:

  1. Phạm vi kiểu dữ liệu: Luận án tập trung chủ yếu vào bảng quyết định số đầy đủ có giá trị liên tục ($V_c \subseteq \mathbb{R}$). Chưa mở rộng trực tiếp cho các bảng quyết định không đầy đủ (incomplete decision tables có giá trị bị khuyết - missing values) hoặc bảng dữ liệu đa quan hệ phức hợp.
  2. Độ nhạy tham số: Hiệu năng của các thuật toán tôpô mờ trực cảm vẫn phụ thuộc vào việc lựa chọn tham số bán kính nhân $\delta$ và ngưỡng xấp xỉ $\beta$. Việc tìm kiếm tham số tối ưu hiện tại vẫn dựa trên phương pháp lưới (grid search) hoặc kinh nghiệm thực nghiệm.
  3. Môi trường tính toán: Các thực nghiệm hiện được thực hiện trên kiến trúc tính toán tuần tự đơn luồng, chưa khai thác triệt để sức mạnh của tính toán song song (Parallel Computing) hoặc xử lý phân tán trên GPU/CUDA.

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

  • Hướng 1: Mở rộng lý thuyết Tôpô Hausdorff mờ trực cảm cho bảng quyết định không đầy đủ và dữ liệu chuỗi thời gian (time-series streaming data).
  • Hướng 2: Tự động hóa quá trình tối ưu hóa siêu tham số $(\delta, \beta)$ bằng cách tích hợp các giải thuật tối ưu hóa tiến hóa (Genetic Algorithms - GA, Particle Swarm Optimization - PSO).
  • Hướng 3: Phát triển khung giải thuật rút gọn thuộc tính song song hóa trên nền tảng tính toán phân tán Apache Spark / GPU để xử lý dữ liệu quy mô siêu lớn (hàng triệu chiều/mẫu).
  • Hướng 4: Mở rộng tiếp cận sang bài toán lựa chọn đặc trưng đa nhãn (Multi-label Feature Selection) và học sâu có khả năng giải thích (Explainable AI - XAI).

Tác động và ảnh hưởng

  • Tác động Học thuật (Academic Impact): Đóng góp hệ thống bài báo khoa học chất lượng cao xuất bản trên các tạp chí quốc tế uy tín thuộc danh mục ISI/Scopus (các công trình CT3, CT4 được công bố trong quá trình thực hiện luận án). Các định lý và độ đo do tác giả thiết lập mở ra một hướng nghiên cứu mới cho cộng đồng nghiên cứu Rough Sets quốc tế (International Rough Set Society - IRSS).
  • Chuyển đổi Công nghiệp (Industry Transformation): Cung cấp thuật toán cốt lõi cho các động cơ phân tích dữ liệu lớn trong các doanh nghiệp công nghệ, giúp tiết kiệm từ 40% đến 70% tài nguyên lưu trữ và tính toán trong các đường ống (pipelines) tiền xử lý dữ liệu máy học.
  • Hỗ trợ Hoạch định Chính sách & Xã hội: Ứng dụng trong việc xây dựng các hệ thống hỗ trợ ra quyết định (Decision Support Systems) cấp quốc gia trong y tế công cộng và giám sát an toàn thông tin, nâng cao độ tin cậy của các chính sách dựa trên dữ liệu thực chứng (evidence-based policies).

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà nghiên cứu sau tiến sĩ (Doctoral / Postdoc Researchers): Tiếp cận một khung lý thuyết mẫu mực kết hợp giữa tập thô mờ và tôpô đại số, kế thừa các chứng minh toán học và mã nguồn thuật toán để mở rộng cho các dạng dữ liệu phức tạp khác.
  • Giảng viên & Nhà khoa học cao cấp (Senior Academics): Sử dụng làm tài liệu tham khảo chuyên khảo cao cấp trong giảng dạy các chuyên đề Thạc sĩ, Tiến sĩ ngành Khoa học Máy tính, Hệ thống Thông tin và Toán Tin ứng dụng.
  • Kỹ sư R&D & Khoa học Dữ liệu (Industry Data Scientists): Ứng dụng trực tiếp các giải thuật FW_IFT và FW_Hausdorff vào các module lựa chọn đặc trưng trong các hệ thống nhận dạng giọng nói, thị giác máy tính và phân loại dữ liệu doanh nghiệp.
  • Cơ quan quản lý & Chuyên gia phân tích chính sách: Sở hữu công cụ tin cậy để tinh giản các chỉ số thống kê vĩ mô, phát hiện các yếu tố cốt lõi chi phối sự phát triển kinh tế - xã hội mà không bị nhiễu thông tin.

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 Độ đo khoảng cách mờ trực cảm (IFD) và Cấu trúc không gian Tôpô Hausdorff $T_2$ trên không gian xấp xỉ mờ ngưỡng $\beta$. Công trình đã mở rộng trực tiếp Lý thuyết Tập mờ trực cảm của Atanassov (1986) bằng công thức tính lực lượng tập hợp giải tích mới, đồng thời cụ thể hóa Lý thuyết Tôpô trong Tập thô của Pawlak (1988) và Lashin et al. (2005) thành giải thuật rút gọn khả thi trên bảng quyết định số.

2. Đột phá phương pháp luận so với các nghiên cứu quốc tế tiền nhiệm là gì?

So với các nghiên cứu của Tan et al. (2017) vốn sử dụng độ đo miền dương $POS$ phức tạp $\mathcal{O}(|C|^3 \cdot |U|^2)$ và Xie et al. (2021) chỉ thuần túy ma trận phân biệt lý thuyết, luận án đột phá với Quy trình lai ghép hai giai đoạn ($W_\delta \to W_A$). Giai đoạn 1 lọc nhanh không gian tìm kiếm, giai đoạn 2 tối ưu hóa tinh chỉnh reduct, giúp giảm độ phức tạp xuống đa thức thấp $\mathcal{O}(|C|^2 \cdot |U|^2)$ trong khi vẫn đảm bảo thu được tập rút gọn cực tiểu.

3. Phát hiện bất ngờ nhất được hỗ trợ bởi dữ liệu thực nghiệm là gì?

Phát hiện bất ngờ nhất là: Cắt giảm tới hơn 80% số lượng thuộc tính gốc (như trên tập Sonar từ 60 xuống dưới 12 thuộc tính) lại làm tăng độ chính xác phân lớp của mô hình SVM lên hơn 10% (từ 76.4% lên 86.8%). Dữ liệu chứng minh rằng việc loại trừ các thuộc tính có độ do dự mờ cao đã triệt tiêu hoàn toàn nhiễu chiều, tạo điều kiện cho hàm nhân SVM tối ưu hóa siêu phẳng phân lớp chính xác hơn rất nhiều so với khi giữ nguyên toàn bộ dữ liệu gốc.

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

Có. Toàn bộ quy trình thực nghiệm được mô tả chi tiết: Từ nguồn dữ liệu công khai (UCI Repository), công thức chuẩn hóa Min-Max, công thức hàm nhân Gaussian kèm giá trị tham số $(\delta, \beta)$, thuật toán giả mã từng bước (pseudocode), đến giao thức kiểm định 10-Fold Cross-Validation và cấu hình bộ phân lớp chuẩn SVM, k-NN. Bất kỳ nhà nghiên cứu độc lập nào cũng có thể tái lập 100% kết quả thực nghiệm.

5. Lộ trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?

Lộ trình 10 năm bao gồm: Tự động hóa lựa chọn tham số bằng thuật toán tối ưu tiến hóa (Metaheuristics), mở rộng lý thuyết sang bảng dữ liệu không đầy đủ (khuyết thiếu) và luồng dữ liệu lớn (Streaming Big Data), đồng thời xây dựng thư viện mã nguồn mở song song hóa trên nền tảng GPU/Spark phục vụ cộng đồng AI toàn cầu.

Kết luận

Luận án tiến sĩ của NCS Trần Thanh Đại đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra với 5 đóng góp học thuật cốt lõi:

  1. Thiết lập độ đo khoảng cách mờ trực cảm (IFD) với đầy đủ chứng minh toán học chuẩn mực về tính metric và tính đơn điệu đại số.
  2. Đề xuất kiến trúc giải thuật lai ghép Filter-Wrapper hai giai đoạn ($W_\delta, W_A$), giải quyết triệt để rào cản chi phí tính toán trên không gian dữ liệu nhiều chiều.
  3. Sáng tạo cấu trúc Tôpô mờ trực cảm (IFT) và độ đo tương đồng tôpô, mở ra phương thức biểu diễn tri thức trừu tượng mới cho bài toán rút gọn thuộc tính.
  4. Xây dựng thành công Không gian Tôpô Hausdorff trên nền xấp xỉ $\beta$-mờ, ứng dụng tiên đề phân tách $T_2$ để cô lập nhiễu và tối ưu hóa độ chính xác phân lớp.
  5. Kiểm chứng thực nghiệm toàn diện trên tập dữ liệu chuẩn UCI, chứng minh tính vượt trội về kích thước reduct cực tiểu và độ chính xác phân lớp trên các mô hình máy học hiện đại (SVM, k-NN).

Công trình đánh dấu bước chuyển mình quan trọng từ các mô hình tập thô hình thức sang hệ thống giải thuật ứng dụng mạnh mẽ, mở ra các hướng nghiên cứu liên ngành đột phá giữa Toán học tôpô trừu tượng và Trí tuệ nhân tạo hiện đại trong tương lai.