Tổng quan về luận án

Trong kỷ nguyên khoa học dữ liệu và trí tuệ nhân tạo, bài toán dự báo chuỗi thời gian (time series forecasting) và hồi quy phi tuyến đóng vai trò huyết mạch trong các hệ thống hỗ trợ ra quyết định kinh tế, tài chính và điều khiển kỹ thuật. Luận án tiến sĩ chuyên ngành Khoa học Máy tính của tác giả Nguyễn Đức Hiển, dưới sự hướng dẫn khoa học của PGS. Lê Mạnh Thạnh tại Trường Đại học Khoa học – Đại học Huế, tập trung giải quyết vấn đề cốt lõi: "Nghiên cứu mô hình mờ hướng dữ liệu lai ghép tích hợp tri thức tiên nghiệm cho bài toán dự báo". Luận án tiếp cận một cách trực diện nghịch lý kinh điển trong học máy: sự đánh đổi giữa độ chính xác dự báo (accuracy) và tính minh bạch, có thể diễn dịch được (interpretability) của mô hình.

Khoảng trống nghiên cứu (research gap) được xác định cụ thể từ thực tiễn học thuật: Các mô hình học máy thống kê hiện đại như máy học véc-tơ hỗ trợ (Support Vector Machines - SVM) hay mạng nơ-ron nhân tạo (ANN) sở hữu năng lực xấp xỉ hàm phi tuyến vượt trội nhưng lại hoạt động như những "hộp đen" (black-box) khép kín, triệt tiêu khả năng can thiệp và phân tích ngữ nghĩa của chuyên gia. Ngược lại, các mô hình dựa trên luật mờ (fuzzy rule-based models) như hệ mờ Takagi-Sugeno-Kang (TSK) cung cấp cấu trúc suy diễn ngôn ngữ trong suốt nhưng lại đối mặt với sự bùng nổ số lượng luật mờ (curse of dimensionality) khi trích xuất tự động từ dữ liệu lớn. Hơn nữa, các công trình tiền nhiệm chưa xây dựng được một khung toán học thống nhất cho phép tích hợp linh hoạt các dạng tri thức tiên nghiệm (a priori knowledge) vào quá trình tối ưu hóa mô hình hồi quy véc-tơ hỗ trợ ($\varepsilon$-SVR).

Để giải quyết triệt để khoảng trống trên, luận án đặt ra ba câu hỏi nghiên cứu và ba giả thuyết khoa học tương ứng:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để thiết lập sự tương đương toán học và xây dựng thuật toán trích xuất trực tiếp hệ suy luận mờ TSK từ không gian véc-tơ hỗ trợ của mô hình hồi quy $\varepsilon$-SVR?
    • Giả thuyết 1 (H1): Hàm quyết định phi tuyến của $\varepsilon$-SVR với hàm nhân Gauss có thể đồng nhất hoàn toàn với hàm đầu ra của hệ mờ TSK bậc 0 thông qua kỹ thuật chuẩn hóa ma trận Hessian và ràng buộc triệt tiêu độ lệch ($b=0$).
  • Câu hỏi nghiên cứu 2 (RQ2): Bằng cơ chế giải thuật nào có thể tích hợp các dạng tri thức tiên nghiệm nhằm bảo toàn tính diễn dịch ngữ nghĩa mà không làm suy giảm độ chính xác xấp xỉ?
    • Giả thuyết 2 (H2): Việc tích hợp các kịch bản học dựa trên tri thức (EBL, RBL, KBIL) vào thuật toán trích xuất luật mờ sẽ thiết lập được bộ lọc ngữ nghĩa (interpretability test), loại bỏ các véc-tơ hỗ trợ dư thừa và tối ưu hóa phân bố hàm thành viên Gauss.
  • Câu hỏi nghiên cứu 3 (RQ3): Mô hình lai ghép giữa kỹ thuật phân cụm tự tổ chức và mô hình mờ trích xuất từ SVM có cải thiện vượt bậc hiệu năng dự báo trên chuỗi thời gian tài chính phức tạp?
    • Giả thuyết 3 (H3): Kiến trúc đa tầng kết hợp mạng tự tổ chức (Self-Organizing Map - SOM) với mô hình mờ dựa trên SVM sẽ phân rã hiệu quả không gian dữ liệu đa chiều, triệt tiêu nhiễu cục bộ và tối ưu hóa chỉ số định hướng chuyển động (Directional Symmetry - DS) cũng như giảm thiểu sai số RMSE, NMSE, MAE.

Về quy mô và phạm vi thực nghiệm, nghiên cứu kiểm chứng giải thuật trên tập dữ liệu hàm phi tuyến chuẩn $Sinc(x)$ ($N=50$, $x \in [-3\pi, 3\pi]$), chuỗi thời gian hỗn loạn Mackey-Glass ($N=800$ đến $1000$ mẫu), hệ thống Lorenz và bộ dữ liệu giao dịch tài chính thực tế từ chỉ số chứng khoán quốc tế S&P500. Nghiên cứu tạo bước đột phá khi lượng hóa việc tinh chỉnh tham số sai số $\varepsilon$, cho phép giảm thiểu từ 50 luật mờ phức tạp xuống còn 6 luật mờ cô đọng trên hàm chuẩn mà vẫn bảo toàn độ chính xác xấp xỉ tối ưu.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy sự tiến hóa rõ rệt của ba dòng nghiên cứu chính trong lĩnh vực trí tuệ tính toán:

  1. Dòng nghiên cứu hệ mờ hướng dữ liệu (Data-driven Fuzzy Systems): Khởi nguồn từ lý thuyết tập mờ của Lotfi A. Zadeh (1965), tiếp nối bởi hệ suy luận Mamdani (Mamdani & Assilian, 1975) và hệ mờ Takagi-Sugeno-Kang (Takagi & Sugeno, 1985; Sugeno & Kang, 1988). Jyh-Shing Roger Jang (1993) đã tạo bước ngoặt với mạng suy luận mờ thích nghi ANFIS kết hợp giải thuật lan truyền ngược Gradient Descent. Tuy nhiên, ANFIS và các kỹ thuật sinh luật truyền thống dựa trên phân vùng lưới (grid partitioning) hay phân cụm mờ (FCM) bộc lộ nhược điểm chí mạng: số lượng luật tăng theo hàm mũ đối với số chiều dữ liệu vào.
  2. Dòng nghiên cứu học máy thống kê và máy học véc-tơ hỗ trợ (Statistical Learning Theory & SVM): Được xây dựng vững chắc bởi Vladimir N. Vapnik (1995) và Corinna Cortes (1995), $\varepsilon$-SVR giải quyết xuất sắc bài toán hồi quy thông qua nguyên lý giảm thiểu rủi ro cấu trúc (Structural Risk Minimization). Các công trình của Chih-Chung Chang và Chih-Jen Lin (2011) với thư viện LibSVM đã chuẩn hóa việc tối ưu hóa quy hoạch toàn phương (Quadratic Programming). Mặc dù đạt độ chính xác xấp xỉ cao, SVM thuần túy hoàn toàn thiếu khả năng biểu diễn tri thức tường minh.
  3. Dòng nghiên cứu tích hợp tri thức tiên nghiệm và diễn dịch mô hình: Các công trình của Abonyi và cộng sự (2002), J.L. Castro và cộng sự (2001), Serge Guillaume và Luis Magdalena (2004) đã đề xuất các kỹ thuật đồng bộ phân vùng mờ số học với định nghĩa ngữ nghĩa của chuyên gia. Trong lý thuyết học dựa trên tri thức, Tom Mitchell (1997) cùng Stuart Russell và Peter Norvig (2003) phân loại các mô thức học thành: học dựa trên giải thích (Explanation-Based Learning - EBL), học dựa trên sự thích hợp (Relevance-Based Learning - RBL) và học quy nạp dựa trên tri thức (Knowledge-Based Inductive Learning - KBIL).
                        [LÝ THUYẾT NỀN TẢNG]
[Lý thuyết Tập mờ & TSK]                            [Học máy Thống kê & ε-SVR]
(Zadeh, 1965; Takagi-Sugeno, 1985)                  (Vapnik, 1995; Cortes, 1995)
                 [XUNG ĐỘT HỌC THUẬT CỐT TỬ]
           Accuracy-Driven  vs.  Interpretability-Driven
              [TRI THỨC TIÊN NGHIỆM (EBL / RBL / KBIL)]
                (Mitchell, 1997; Russell & Norvig, 2003)
      [ĐỊNH VỊ ĐỘT PHÁ CỦA LUẬN ÁN: NGUYỄN ĐỨC HIỂN (2019)]
        1. Thuật toán f-SVM: Đồng nhất toán học ε-SVR và TSK
        2. Thuật toán SVM-IF: Bộ lọc ngữ nghĩa & Kiểm định diễn dịch
        3. Kiến trúc lai SOM + SVM-IF: Dự báo chuỗi thời gian tài chính

Cuộc tranh luận học thuật trung tâm nảy sinh giữa hai trường phái: Trường phái ưu tiên độ chính xác tuyệt đối (Accuracy-driven) chấp nhận mô hình hộp đen phức tạp để cực tiểu hóa sai số huấn luyện, và Trường phái ưu tiên tính minh bạch (Interpretability-driven) đòi hỏi số lượng luật mờ tối giản để con người có thể thẩm định.

Luận án định vị chính xác điểm giao thoa học thuật khi thiết lập cây cầu nối toán học giữa hai trường phái. Tác giả khẳng định trong luận án: "Mô hình suy luận mờ đóng vai trò như là cầu nối trung gian giữa mô hình dự đoán theo máy học thống kê và các chuyên gia; kết quả học máy được chuyển sang trình bày ở dạng các luật mờ đã phần nào giúp cho các chuyên gia dễ hiểu hơn các mô hình dự đoán theo máy học thống kê."

So sánh với hai nghiên cứu quốc tế điển hình:

  • So sánh với Weibei Dou và cộng sự (2007): Công trình của Dou et al. ứng dụng logic mờ kết hợp tri thức X-quang để phân đoạn khối u não từ ảnh cộng hưởng từ đa phổ (MRI). Phương pháp này chỉ tích hợp tri thức cục bộ trong một miền y khoa hẹp và dựa trên các quy tắc tĩnh, trong khi luận án của Nguyễn Đức Hiển phát triển một khung giải thuật tổng quát hóa cao (generalized framework), có thể tự động thích ứng với nhiều miền dữ liệu khác nhau từ toán học phi tuyến đến chuỗi thời gian kinh tế.
  • So sánh với Serge Guillaume và Luis Magdalena (2004): Guillaume & Magdalena đề xuất đồng bộ hóa phân vùng mờ từ dữ liệu thô với ngữ nghĩa chuyên gia nhưng thiếu cơ chế toán học kiểm soát chặt chẽ sai số lề $\varepsilon$ và cấu trúc ma trận Hessian, dẫn đến nguy cơ mất ổn định khi số chiều tăng. Luận án khắc phục hạn chế này bằng cách chứng minh chặt chẽ điều kiện Mercer trên hàm nhân Gauss và đưa ra thuật toán kiểm định diễn dịch hình thức InterpretabilityTest.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp trực tiếp vào việc mở rộng lý thuyết học máy thống kê của Vapnik (1995) và lý thuyết hệ mờ TSK của Takagi, Sugeno & Kang (1985) trên các phương diện:

  1. Thiết lập tính tương đương toán học giải tích: Chứng minh hàm quyết định của máy học véc-tơ hỗ trợ hồi quy phi tuyến đồng nhất với cấu trúc suy luận mờ TSK bậc 0. Cụ thể, hàm quyết định $\varepsilon$-SVR có dạng: $$f(x) = \sum_{i=1}^{l} (\alpha_i - \alpha_i^) K(x_i, x) + b$$ Khi thiết lập ràng buộc triệt tiêu độ lệch $b = 0$, lựa chọn hàm nhân Gauss thỏa mãn điều kiện Mercer: $$K(x_i, x) = \exp\left(-\frac{1}{2}\left(\frac{x_i - x}{\sigma_i}\right)^2\right)$$ và gán trọng số kết luận $z^j = (\alpha_i - \alpha_i^)$, hàm quyết định của $\varepsilon$-SVR trở nên tương đương hoàn toàn với hàm đầu ra của hệ mờ TSK: $$f(x) = \frac{\sum_{j=1}^{m} z^j \prod_{i=1}^{p} \mu_{A_i^j}(x_i)}{\sum_{j=1}^{m} \prod_{i=1}^{p} \mu_{A_i^j}(x_i)}$$
  2. Hình thành Paradigm chuyển dịch trong Explainable AI (XAI): Nghiên cứu mở ra bước chuyển từ mô hình hộp đen phi tham số sang mô hình biểu diễn tri thức cấu trúc tường minh, cho phép mỗi véc-tơ hỗ trợ được trích xuất chuyển hóa thành một luật mờ ngôn ngữ dạng: $$\text{IF } x_1 \text{ is } A_1^j \text{ AND } \dots \text{ AND } x_p \text{ is } A_p^j \text{ THEN } y = z^j$$
  3. Mô thức hóa khung tích hợp tri thức tiên nghiệm đa kịch bản: Mở rộng lý thuyết học tri thức của Mitchell và Russell & Norvig vào mô hình mờ dựa trên SVM qua 3 cơ chế: EBL (sử dụng tri thức giải thích cấu trúc dữ liệu), RBL (xác định các thuộc tính thích hợp để cắt tỉa không gian tìm kiếm) và KBIL (kết hợp suy nạp thống kê với tri thức miền có sẵn).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba trụ cột lý thuyết: (1) Lý thuyết học máy thống kê $\varepsilon$-SVR, (2) Lý thuyết suy luận mờ TSK và (3) Lý thuyết học dựa trên tri thức tiên nghiệm.

Cốt lõi độc đáo của khung phân tích nằm ở quy trình chuẩn hóa hệ thống suy luận mờ thông qua việc điều chỉnh ma trận Hessian. Tác giả chỉ rõ: "Hệ thống suy luận mờ phải được chuẩn hóa... Để thực hiện việc chuẩn hóa, chúng ta phải điều chỉnh ma-trận kernel (ma-trận Hessian) như sau:" $$H' = \begin{bmatrix} D' & -D' \ -D' & D' \end{bmatrix}$$ với $D'$ là ma trận đối xứng kích thước $l \times l$ có các phần tử: $$D'{ij} = \frac{\langle\varphi(x_i), \varphi(x_j)\rangle}{\sum{k=1}^{l} \exp\left(-\frac{1}{2}\left(\frac{x_k - x_j}{\sigma_k}\right)^2\right)}$$ Khi ma trận Hessian điều chỉnh $H'$ được áp dụng, tập véc-tơ hỗ trợ $\beta'$ được hiệu chỉnh qua biến đổi: $$\beta' = \beta_0 H_0 (H')^{-1}$$ với $\beta_0$ và $H_0$ lần lượt là tập véc-tơ hỗ trợ và ma trận Hessian ban đầu.

Điều kiện biên (boundary conditions) của khung lý thuyết được xác định rõ:

  • Hàm nhân kernel bắt buộc phải là hàm đối xứng liên tục thỏa mãn định lý Mercer ($K(x, z) = \langle\Phi(x), \Phi(z)\rangle$).
  • Không gian tham số chuẩn hóa $C > 0$ và tham số độ rộng ống lề sai số $\varepsilon \ge 0$.
  • Các luật mờ trích xuất phải vượt qua ngưỡng kiểm định độ phân biệt ngữ nghĩa (distinguishability) và độ bao phủ tập mẫu.
                      [INPUT DATASET: H (Train) & V (Validation)]
                      [TIỀN PHÂN CỤM DỮ LIỆU ĐA CHIỀU (SOM)]
                     [HUẤN LUYỆN ε-SVR & TỐI ƯU HÓA THAM SỐ C, ε, σ]
                     [CHUẨN HÓA MA TRẬN HESSIAN: H' = [D' -D'; -D' D']]
                     [HIỆU CHỈNH VÉC-TƠ HỖ TRỢ: β' = β0 * H0 * (H')^-1]
                   [TRÍCH XUẤT TẬP TÂM ci VÀ ĐỘ LỆCH CHUẨN σi CHO GAUSS MF]
                [TÍCH HỢP TRI THỨC TIÊN NGHIỆM & KIỂM ĐỊNH DIỄN DỊCH (SVM-IF)]
                 [TỐI ƯU HÓA HÀM THÀNH VIÊN QUA GRADIENT DESCENT (ANFIS)]
                  [ĐÁNH GIÁ TRÊN TẬP VALIDATION: RMSE, NMSE, MAE, DS]
             [Error > tol]                             [Error <= tol]
       [Điều chỉnh tham số ε]                    [OUTPUT: MÔ HÌNH MỜ TỐI ƯU]

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ triết lý thực chứng (positivism) kết hợp mô hình hóa giải thuật toán học và kiểm chứng thực nghiệm định lượng. Thiết kế nghiên cứu đa tầng bao gồm:

  • Tầng 1 - Phân rã không gian (Clustering Layer): Ứng dụng mạng tự tổ chức SOM hoặc thuật toán $k$-Means để phân cụm dữ liệu đầu vào, giảm tải số chiều và cô lập nhiễu.
  • Tầng 2 - Học thống kê và trích xuất véc-tơ hỗ trợ (Statistical Learning Layer): Khởi tạo mô hình $\varepsilon$-SVR để xác định siêu phẳng tối ưu trong không gian đặc trưng Hilbert.
  • Tầng 3 - Sinh luật và tối ưu hóa thích nghi (Rule Generation & Optimization Layer): Thuật toán f-SVM ánh xạ véc-tơ hỗ trợ thành tâm $c_i$ và độ lệch $\sigma_i$ của hàm thành viên Gauss, sau đó áp dụng giải thuật Gradient Descent để tinh chỉnh tham số.
  • Tầng 4 - Tích hợp tri thức và kiểm định diễn dịch (Knowledge Integration Layer): Thuật toán SVM-IF thực thi kiểm tra ngữ nghĩa thông qua thủ tục InterpretabilityTest.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được chuẩn hóa qua các giao thức tính toán chặt chẽ:

  1. Giao thức thu thập và phân chia dữ liệu: Dữ liệu được chuẩn hóa về đoạn $[0, 1]$ hoặc $[-1, 1]$, phân tách nghiêm ngặt thành tập huấn luyện (Training set), tập xác thực (Validation set) và tập kiểm định độc lập (Testing set).
  2. Kỹ thuật tối ưu hóa tham số thích nghi: Để tối ưu hóa hàm thành viên mờ Gauss dạng: $$\mu_{A_i}(x) = \exp\left(-\frac{(x - c_i)^2}{2\sigma_i^2}\right)$$ Luận án áp dụng giải thuật Gradient Descent cập nhật đồng thời độ lệch chuẩn $\sigma_i$ và tâm $c_i$ theo công thức thích nghi: $$\sigma_i(t+1) = \sigma_i(t) + \delta\varepsilon_{1,i}\left[\frac{(x - c_i)^2}{\sigma_i^3}\exp\left(-\frac{(x - c_i)^2}{2\sigma_i^2}\right)\right]$$ $$c_i(t+1) = c_i(t) + \delta\varepsilon_{1,i}\left[\frac{x - c_i}{\sigma_i^2}\exp\left(-\frac{(x - c_i)^2}{2\sigma_i^2}\right)\right]$$ trong đó $\delta$ là tốc độ học và $\varepsilon_{1,i}$ là sai số lan truyền.
  3. Quy trình tối ưu hóa tham số $\varepsilon$ tự động: Độ phức tạp thuật toán huấn luyện SVM nguyên thủy là $O(N^2)$ (với $N$ là kích thước tập huấn luyện). Luận án đề xuất thuật toán lặp điều chỉnh $\varepsilon$ trên tập dữ liệu xác thực kích thước $k$ ($k \ll N$) với $T$ chu kỳ lặp, đạt tổng độ phức tạp giải thuật kiểm soát ở mức $O(T \cdot k)$, tối ưu hóa tài nguyên tính toán.

Data và phân tích

Môi trường thực nghiệm được xây dựng hoàn chỉnh trên nền tảng MATLAB kết hợp:

  • Thư viện LibSVM (Chang & Lin, 2011) thực thi huấn luyện $\varepsilon$-SVR giải bài toán quy hoạch toàn phương kép: $$\max_{\alpha, \alpha^} -\frac{1}{2}\Lambda^T H \Lambda + c^T \Lambda \quad \text{sao cho } \sum_{i=1}^{l}(\alpha_i - \alpha_i^) = 0 \text{ và } 0 \le \alpha_i, \alpha_i^* \le C$$
  • Module tự phát triển SVMgenfis() chuyển đổi cấu trúc véc-tơ hỗ trợ thành đối tượng hệ mờ TSK chuẩn.
  • Các hàm anfis() và evalfis() trong MATLAB Fuzzy Logic Toolbox tối ưu hóa tham số và thực thi suy luận mờ.

Các độ đo định lượng chuẩn mực quốc tế được sử dụng để đánh giá toàn diện mô hình:

  • Sai số bình phương trung bình gốc (RMSE): $$RMSE = \sqrt{\frac{1}{k}\sum_{i=1}^{k}(y_i - \hat{y}_i)^2}$$
  • Sai số bình phương trung bình chuẩn hóa (NMSE): $$NMSE = \frac{\sum_{i=1}^{k}(y_i - \hat{y}i)^2}{\sum{i=1}^{k}(y_i - \bar{y})^2}$$
  • Sai số tuyệt đối trung bình (MAE): $$MAE = \frac{1}{k}\sum_{i=1}^{k}|y_i - \hat{y}_i|$$
  • Chỉ số đối xứng định hướng (Directional Symmetry - DS): Đánh giá tỷ lệ phần trăm dự báo chính xác hướng vận động (tăng/giảm) của chuỗi thời gian: $$DS = \frac{100}{k-1}\sum_{i=2}^{k} d_i \quad \text{với } d_i = \begin{cases} 1 & \text{nếu } (y_i - y_{i-1})(\hat{y}i - \hat{y}{i-1}) \ge 0 \ 0 & \text{ngược lại} \end{cases}$$

Phát hiện đột phá và implications

Những phát hiện then chốt

Thực nghiệm chuyên sâu của luận án mang lại 4 phát hiện khoa học đột phá:

Chỉ số / Đặc tính SVM Nguyên thủy RBN SOM + SVM SOM + ANFIS SOM + f-SVM (Luận án) SOM + SVM-IF (Luận án)
Cơ chế suy luận Hộp đen Hộp đen Hộp đen Luật mờ ANFIS Luật mờ TSK tối ưu Luật mờ diễn dịch được
Số lượng luật mờ 0 (Phi cấu trúc) 0 0 Bùng nổ theo lưới Tối giản theo $\varepsilon$ Tối ưu & Có kiểm định
Tính diễn dịch ngữ nghĩa Không Không Không Kém (chồng lấn) Khá Xuất sắc (Đạt chuẩn)
Sai số RMSE / NMSE Cao trên data lớn Trung bình Khá Trung bình Rất thấp Thấp nhất toàn diện
Độ chính xác hướng (DS %) ~60-65% ~62% ~68% ~71% ~76.5% > 78.5% (Vượt trội)

Thứ nhất, phát hiện quy luật cân bằng giữa tham số dung sai $\varepsilon$ và độ phức tạp hệ luật. Trên bài toán hồi quy phi tuyến hàm $Sinc(x)$ với tham số điều hòa cố định $C = 10$: Khi thiết lập $\varepsilon = 0.0$, toàn bộ 50 mẫu huấn luyện đều trở thành véc-tơ hỗ trợ, tạo ra 50 luật mờ với các hàm thành viên dày đặc, triệt tiêu tính diễn dịch. Khi nâng dần tham số dung sai lên $\varepsilon = 0.1$, số lượng véc-tơ hỗ trợ giảm ngoạn mục xuống còn đúng 6 véc-tơ (tương ứng với các giá trị trung tâm $x = -2.1, \dots$). Mô hình trích xuất đúng 6 luật mờ ngắn gọn nhưng sai số RMSE trên 50 và 200 mẫu xác thực vẫn được kiểm soát chặt chẽ trong ngưỡng cho phép ($tol$).

Thứ hai, phát hiện cơ chế bảo toàn tính diễn dịch ngữ nghĩa của thuật toán SVM-IF. Tích hợp tri thức tiên nghiệm thông qua thủ tục InterpretabilityTest giải quyết triệt để hiện tượng phân mảnh tập mờ và chồng lấn phi lý của các hàm Gauss. Trên chuỗi thời gian hỗn loạn Mackey-Glass ($N = 800$ và $1000$ mẫu), thuật toán SVM-IF trích xuất tập 9 luật mờ có cấu trúc ngữ nghĩa rõ ràng, loại bỏ hoàn toàn các luật xung đột.

Thứ ba, sự vượt trội của kiến trúc lai ghép SOM + SVM-IF trên dữ liệu thị trường tài chính S&P500. Kết quả đối sánh thực nghiệm chứng minh mô hình đề xuất SOM + SVM-IF vượt trội toàn diện so với SVM nguyên thủy, mạng RBN, mô hình lai SOM+SVM và SOM+ANFIS trên cả 4 tiêu chuẩn: RMSE thấp nhất, NMSE tối thiểu, MAE nhỏ nhất và chỉ số DS đạt độ chính xác dự báo hướng vận động cao nhất thị trường.

Thứ tư, chứng minh tính ổn định của hệ thống mờ TSK chuẩn hóa. Việc áp dụng ma trận Hessian điều chỉnh $H'$ giúp giải thuật hội tụ nhanh hơn $35%$ so với phương pháp huấn luyện ANFIS truyền thống khi xử lý các chuỗi phi tuyến có độ biến động cao như hệ thống hỗn loạn Lorenz.

Implications đa chiều

  • Ý nghĩa học thuật (Theoretical Implications): Thiết lập nền tảng lý thuyết vững chắc cho ngành Trí tuệ nhân tạo có thể giải thích (Explainable AI - XAI), chứng minh rằng mô hình học máy thống kê hoàn toàn có thể chuyển hóa thành các cấu trúc biểu diễn tri thức tường minh.
  • Đột phá phương pháp luận (Methodological Innovations): Pipeline lai ghép đa tầng (SOM $\rightarrow$ $\varepsilon$-SVR $\rightarrow$ Hessian Adjustment $\rightarrow$ Gradient Descent Tuning $\rightarrow$ Interpretability Testing) cung cấp một chuẩn mực phương pháp luận mới cho các bài toán nhận dạng mẫu, khai phá dữ liệu và dự báo chuỗi thời gian.
  • Ứng dụng thực tiễn (Practical Applications): Triển khai trực tiếp vào các hệ thống giao dịch tự động (algorithmic trading), quản trị rủi ro danh mục đầu tư, phân tích điểm sinh viên trong giáo dục đại học và tự động hóa chẩn đoán hình ảnh y khoa đa phổ.
  • Hàm ý chính sách (Policy Recommendations): Cung cấp công cụ dự báo định lượng đáng tin cậy cho các ngân hàng trung ương và cơ quan quản lý nhà nước trong việc hoạch định chính sách tiền tệ, dự báo tăng trưởng tổng sản phẩm quốc nội (GDP) và phát hiện sớm các dị thường của thị trường tài chính.

Limitations và Future Research

Luận án thẳng thắn thừa nhận 4 giới hạn nghiên cứu:

  1. Giới hạn dạng hàm nhân: Mô hình hiện tại tập trung chủ yếu vào hàm nhân Gauss đối xứng; chưa mở rộng khảo sát các hàm nhân dạng đa thức (Polynomial), hàm Sigmoid hoặc các kernel lai hỗn hợp.
  2. Chi phí khởi tạo siêu tham số: Việc xác định bộ tham số tối ưu $(C, \varepsilon, \sigma)$ ban đầu vẫn phụ thuộc vào phương pháp tìm kiếm lưới (Grid Search) trên tập xác thực, đòi hỏi thời gian tính toán khi số chiều tăng cao.
  3. Độ mở của tri thức tiên nghiệm: Khung SVM-IF hiện tại chủ yếu lượng hóa các dạng tri thức tiên nghiệm có thể biểu diễn giải tích; việc tiếp nhận tri thức chuyên gia dạng ngôn ngữ mờ phức tạp tự nhiên vẫn cần khâu chuyển đổi trung gian.
  4. Quy mô dữ liệu Big Data thời gian thực: Thuật toán chưa được tối ưu hóa trên các kiến trúc tính toán phân tán (Distributed Computing / Apache Spark) đối với các luồng dữ liệu stream hàng triệu bản ghi mỗi giây.

Chương trình nghiên cứu 10 năm tiếp theo tập trung vào 4 hướng phát triển:

  • Ứng dụng giải thuật tiến hóa đa mục tiêu (Multi-objective Genetic Algorithms - NSGA-II / Particle Swarm Optimization) để tự động hóa tối ưu Pareto giữa độ chính xác và tính diễn dịch.
  • Phát triển mô hình Deep TSK Fuzzy Systems kết hợp sâu với kiến trúc mạng nơ-ron học sâu (Deep Learning).
  • Mở rộng thuật toán SVM-IF sang các bài toán phân lớp đa nhãn (Multi-label classification) và xử lý ngôn ngữ tự nhiên.
  • Xây dựng framework tính toán song song trên GPU cho bài toán dự báo tài chính tần suất cao (High-Frequency Trading).

Tác động và ảnh hưởng

Luận án tạo ra dấu ấn sâu sắc trên nhiều bình diện:

  • Tác động học thuật: Dự kiến thu hút lượng trích dẫn học thuật cao trong các nghiên cứu chuyên ngành Fuzzy Sets and Systems, IEEE Transactions on Fuzzy Systems, Applied Soft Computing và Knowledge-Based Systems.
  • Chuyển đổi công nghiệp & R&D: Cung cấp giải pháp công nghệ then chốt cho các công ty FinTech, quỹ đầu tư định lượng (Quantitative Hedge Funds) và các viện nghiên cứu phát triển hệ thống điều khiển tự động thông minh.
  • Ảnh hưởng chính sách kinh tế: Hỗ trợ các cơ quan hoạch định chiến lược kinh tế quốc gia xây dựng mô hình dự báo kinh tế vĩ mô có khả năng giải trình minh bạch trước các nhà lập pháp.
  • Lợi ích xã hội: Nâng cao chất lượng dự báo trong các lĩnh vực an sinh xã hội, cảnh báo thiên tai, khí tượng thủy văn và hỗ trợ cá nhân hóa đào tạo trong giáo dục đại học.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học: Tiếp cận một khung phương pháp luận chuẩn xác về giải tích toán học để phát triển các mô hình học máy lai ghép có khả năng giải thích (XAI).
  • Giảng viên & Chuyên gia AI: Sử dụng tài liệu nghiên cứu như một tài liệu tham khảo mẫu mực về sự kết hợp giữa lý thuyết tập mờ và học máy thống kê.
  • Kỹ sư R&D & FinTech: Ứng dụng trực tiếp mã nguồn giải thuật f-SVM và kiến trúc SOM+SVM-IF vào các bài toán dự báo giá chứng khoán, tỷ giá hối đoái và phân loại dữ liệu lớn.
  • Nhà hoạch định chính sách: Sử dụng các báo cáo dự báo có cấu trúc luật mờ tường minh để đưa ra các quyết định điều hành kinh tế - xã hội có cơ sở bằng chứng xác thực.

Câu hỏi chuyên sâu

  1. Đâu là đóng góp lý thuyết độc đáo nhất của luận án và lý thuyết nào đã được mở rộng?
    • Trả lời: Đóng góp độc đáo nhất là việc chứng minh sự tương đương toán học giải tích giữa hàm quyết định của máy học véc-tơ hỗ trợ hồi quy phi tuyến ($\varepsilon$-SVR) và hệ suy luận mờ TSK bậc 0 thông qua hàm nhân Gauss và kỹ thuật chuẩn hóa ma trận Hessian $H'$. Luận án đã mở rộng trực tiếp Lý thuyết Học máy Thống kê của Vapnik (1995) và Lý thuyết Hệ mờ TSK của Takagi, Sugeno & Kang (1985), biến mô hình SVM hộp đen thành một hệ biểu diễn tri thức trong suốt.
  2. Đột phá phương pháp luận của luận án khi so sánh với ít nhất 2 công trình quốc tế tiền nhiệm?
    • Trả lời: So với Weibei Dou et al. (2007) vốn chỉ tích hợp tri thức tĩnh trong xử lý ảnh MRI não, luận án xây dựng thuật toán SVM-IF tổng quát hóa cho mọi bài toán hồi quy phi tuyến. So với Serge Guillaume & Luis Magdalena (2004) vốn chỉ đồng bộ phân vùng mờ mà thiếu cơ chế toán học tối ưu, luận án xây dựng cơ chế điều chỉnh tham số dung sai $\varepsilon$ tự động trên tập xác thực đạt độ phức tạp $O(T \cdot k)$ và tối ưu hóa tham số hàm thành viên bằng Gradient Descent thích nghi.
  3. Phát hiện thực nghiệm gây ngạc nhiên nhất với bằng chứng số liệu cụ thể là gì?
    • Trả lời: Phát hiện về khả năng nén số lượng luật mờ phi thường của thuật toán f-SVM trên hàm chuẩn $Sinc(x)$: Khi thay đổi $\varepsilon = 0.0$ lên $\varepsilon = 0.1$ với $C=10$, số lượng véc-tơ hỗ trợ giảm ngoạn mục từ 50 véc-tơ (50 luật) xuống đúng 6 véc-tơ (6 luật), giảm $88%$ độ phức tạp tính toán mà sai số RMSE vẫn hoàn toàn được kiểm soát trong ngưỡng dung sai xác thực $tol$.
  4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) chuẩn xác không?
    • Trả lời: Có. Quy trình được mô tả chi tiết từng bước: Tiền xử lý dữ liệu, cài đặt tham số $C, \varepsilon, \sigma$ trên thư viện LibSVM của Chang & Lin, trích xuất cấu trúc mờ qua hàm SVMgenfis(), tối ưu hóa Gradient Descent qua anfis() và suy luận qua evalfis() trên MATLAB, đi kèm công thức hàm mục tiêu và ma trận Hessian điều chỉnh.
  5. Chương trình nghiên cứu 10 năm được định hình như thế nào?
    • Trả lời: Chương trình 10 năm tập trung vào 4 trọng tâm: (1) Tự động hóa tối ưu Pareto đa mục tiêu bằng giải thuật di truyền GA/PSO; (2) Tích hợp học sâu vào Deep Fuzzy TSK Systems; (3) Mở rộng SVM-IF sang NLP và phân loại đa nhãn; (4) Tối ưu hóa tính toán phân tán cho giao dịch tài chính tần suất cao.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Đức Hiển đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, xác lập 5 đóng góp cốt lõi:

  1. Đề xuất thuật toán f-SVM: Thiết lập quy trình toán học chuẩn mực trích xuất hệ luật mờ TSK từ máy học véc-tơ hỗ trợ hồi quy với cơ chế lựa chọn tham số $\varepsilon$ tối ưu trên tập xác thực.
  2. Phát triển thuật toán SVM-IF: Hiện thực hóa giải pháp tích hợp tri thức tiên nghiệm (EBL, RBL, KBIL) vào quá trình sinh luật, bảo toàn trọn vẹn "tính có thể diễn dịch được" của hệ mờ.
  3. Sáng tạo mô hình lai ghép đa tầng SOM + SVM-IF: Phân rã hiệu quả không gian dữ liệu chuỗi thời gian tài chính phức tạp, nâng cao vượt bậc độ chính xác dự báo (RMSE, NMSE, MAE) và chỉ số định hướng chuyển động (DS).
  4. Chuẩn hóa khung giải tích ma trận Hessian: Giải quyết triệt để bài toán chuẩn hóa hệ thống suy luận mờ khi đồng nhất hàm nhân Mercer với hàm liên thuộc Gauss.
  5. Kiểm chứng thực nghiệm toàn diện: Chứng minh tính ưu việt của mô hình trên các hệ chuẩn toán học phi tuyến ($Sinc$), chuỗi hỗn loạn (Mackey-Glass, Lorenz) và dữ liệu tài chính thực tế (S&P500).

Công trình đánh dấu bước tiến quan trọng trong việc dung hòa giữa độ chính xác học máy và tính minh bạch tri thức, để lại giá trị phương pháp luận bền vững cho cộng đồng nghiên cứu trí tuệ nhân tạo và khoa học dữ liệu.