Tổng quan về luận án

Sự bùng nổ của kỷ nguyên dữ liệu lớn (Big Data) đặt ra thách thức nghiêm trọng đối với các hệ thống Khám phá tri thức từ Cơ sở dữ liệu (Knowledge Discovery in Databases – KDD) và Học máy (Machine Learning). Khi không gian thuộc tính mở rộng theo cấp số nhân, hiện tượng "lời nguyền số chiều" (Curse of Dimensionality) làm suy giảm nghiêm trọng hiệu năng tính toán và độ chính xác phân lớp. Luận án tiến sĩ chuyên ngành Khoa học máy tính (Mã số: 9480101) của nghiên cứu sinh Đỗ Sĩ Trương, dưới sự hướng dẫn khoa học của PGS.TS Nguyễn Thanh Tùng tại Trường Đại học Lạc Hồng (2023), mang tiêu đề: "Phương pháp lựa chọn thuộc tính và kỹ thuật gom cụm dữ liệu phân loại sử dụng tập thô". Công trình tiên phong giải quyết đồng thời hai bài toán cốt lõi trong khai phá dữ liệu: tối ưu hóa tập rút gọn thuộc tính (Attribute Reduction/Feature Selection) và nâng cao chất lượng gom cụm dữ liệu phân loại/phạm trù (Categorical Data Clustering) bằng cách tích hợp Lý thuyết Tập thô (Rough Set Theory - RST) với Lý thuyết Thông tin (Information Theory).

Khoảng trống nghiên cứu (Research Gap) được xác định rõ ràng: các phương pháp lựa chọn thuộc tính truyền thống dựa trên miền dương (Positive Region) của Pawlak hoặc ma trận phân biệt của Skowron tuy loại bỏ được các thuộc tính không liên quan (Irrelevant Attributes) nhưng bất lực trong việc triệt tiêu các thuộc tính dư thừa (Redundant Attributes), dẫn đến độ phức tạp tính toán NP-khó ($O(2^{|C|})$) và làm giảm khả năng khái quát hóa của mô hình phân lớp. Đồng thời, đối với bài toán gom cụm dữ liệu phân loại—nơi các thuộc tính mang giá trị rời rạc không có thứ tự tự nhiên ($a \in V_a$, chỉ xác định $a=b$ hoặc $a \neq b$)—các thuật toán kinh điển như k-modes hay các phương pháp tiếp cận tập thô giai đoạn trước (như MMR, MGR) thường gặp bế tắc khi xử lý độ bất định tại biên cụm, dẫn đến độ thuần khiết thấp và độ phức tạp cao.

Luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để xây dựng một cơ chế lựa chọn thuộc tính heuristic có khả năng loại bỏ đồng thời cả thuộc tính không liên quan và thuộc tính dư thừa với chi phí thời gian đa thức?
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để định nghĩa một metric khoảng cách tổng quát trong không gian thuộc tính phân loại nhằm dẫn hướng cấu trúc gom cụm phân cấp mà không cần giả định phân phối xác suất tiên nghiệm?
  • Giả thuyết khoa học 1 (H1): Việc phân hoạch không gian thuộc tính liên quan thành các cụm tương đồng thông qua metric Biến thể Thông tin Chuẩn hóa ($NVI$) và chỉ chọn một đại diện tối ưu cho mỗi cụm sẽ tạo ra tập rút gọn xấp xỉ có kích thước cực tiểu nhưng bảo toàn hoặc gia tăng độ chính xác phân lớp của các mô hình C5.0 và Naive Bayes.
  • Giả thuyết khoa học 2 (H2): Kỹ thuật gom cụm phân cấp phân đôi dựa trên việc tối thiểu hóa Biến thể Thông tin Chuẩn hóa Trung bình ($MMNVI$) kết hợp hàm tối thiểu hóa entropy sẽ tối ưu hóa độ thuần khiết tổng thể ($OP$), chỉ số ngẫu nhiên hiệu chỉnh ($ARI$) và thông tin tương hỗ chuẩn hóa ($NMI$) trên dữ liệu phân loại.

Khung lý thuyết nền tảng tích hợp ba trụ cột: Lý thuyết Tập thô Pawlak (1982), Lý thuyết Tính toán Hạt (Granular Computing), và Lý thuyết Thông tin Shannon (1948). Phạm vi thực nghiệm của luận án bao quát 8 bộ dữ liệu chuẩn quốc tế từ kho dữ liệu UCI Machine Learning Repository (Soybean Small, Breast Cancer Wisconsin, Car Evaluation, Congressional Voting, Chess, Mushroom, Balance Scale, Zoo), chứng minh tính vượt trội về cả chất lượng mô hình lẫn thời gian xử lý.

Literature Review và Positioning

Khảo sát tổng quan y văn cho thấy các luồng nghiên cứu chính trong xử lý dữ liệu bất định và giảm số chiều:

Luồng nghiên cứu thứ nhất tập trung vào việc tìm tập rút gọn dựa trên lý thuyết tập thô kinh điển khởi xướng bởi Zdzisław Pawlak (1982). Skowron (1992) phát triển phương pháp ma trận phân biệt (Discernibility Matrix) nhằm trích xuất toàn bộ các tập rút gọn thông qua việc biến đổi hàm phân biệt từ dạng hội chuẩn tắc (CNF) sang dạng tuyển chuẩn tắc (DNF). Mặc dù đảm bảo tính toàn vẹn toán học, hướng tiếp cận này có độ phức tạp thời gian $O(|U|^2)$ cho mỗi phép so khớp và bài toán tìm tập rút gọn tối tiểu là NP-khó. Để giải quyết rào cản tính toán, các thuật toán heuristic như QuickReduct (Chouchoulas & Shen, 2001) dựa trên độ phụ thuộc miền dương $\gamma_B(d) = \frac{|POS_B(d)|}{|U|}$, hay RelativeReduct của Han và cộng sự (2004) dựa trên đại số quan hệ và phép chiếu $\pi_B(U)$ với độ phức tạp $O(|C|^2 |U| \log |U|)$ đã ra đời. Tuy nhiên, tranh biện khoa học nảy sinh: các phương pháp dựa trên miền dương đơn thuần chỉ đánh giá mức độ đóng góp cá thể của từng thuộc tính mà bỏ qua sự tương quan chéo, khiến các thuộc tính đồng biến dư thừa vẫn bị giữ lại trong tập rút gọn cuối cùng.

Luồng nghiên cứu thứ hai khai thác entropy thông tin của Shannon kết hợp tập thô. Wang và cộng sự (2007) đề xuất thuật toán CEBARKNC dựa trên entropy có điều kiện $H(d|B)$, chứng minh rằng thuộc tính dư thừa theo entropy sẽ dư thừa theo miền dương trên bảng quyết định nhất quán. Dẫu vậy, CEBARKNC vẫn theo chiến lược tìm kiếm tham lam tuần tự (Greedy Forward Selection), có độ phức tạp $O(|C|^2|U| + |C||U|^3)$, dễ rơi vào các điểm tối ưu cục bộ và tốn kém tài nguyên khi số lượng thuộc tính tăng cao.

Luồng nghiên cứu thứ ba tập trung vào gom cụm dữ liệu phân loại sử dụng tập thô. Do dữ liệu phân loại không hỗ trợ các khoảng cách metric tự nhiên như khoảng cách Euclid hay Mahalanobis, Parmar và cộng sự (2007) đề xuất thuật toán MMR (Min-Min-Roughness), kế tiếp là Herawan và cộng sự (2010) với thuật toán MGR (Mean Gain Ratio) và các nghiên cứu của Hoàng Thị Lan Giao (2012), Nguyễn Đức Thuận (2014), Nguyễn Long Giang (2015). Điểm hạn chế chí tử của MMR và MGR là việc sử dụng độ thô (Roughness) hoặc tỷ lệ lợi thông tin trung bình đơn thuần dễ dẫn đến tình trạng chọn nhầm thuộc tính phân cụm tại các bước phân chia sâu, làm phân mảnh cụm dữ liệu và suy giảm nghiêm trọng chỉ số hiệu chỉnh ngẫu nhiên ($ARI$).

Định vị nghiên cứu của luận án: Luận án tạo bước đột phá khi vượt qua cách tiếp cận đơn lẻ bằng việc thiết lập khung phân tích lai ghép: biến bài toán rút gọn thuộc tính thành bài toán gom cụm thuộc tính (Attribute Clustering), và biến bài toán gom cụm dữ liệu thành quá trình phân cấp phân đôi dựa trên metric thông tin chuẩn hóa tổng quát $NVI$. Luận án đặt mình ở vị trí đối sánh trực tiếp và vượt trội hơn so với các công trình quốc tế tiêu biểu: vượt qua QuickReduct, RelativeReduct, CEBARKNC về khả năng tối giản kích thước tập rút gọn và độ chính xác phân lớp; vượt qua MMR và MGR về độ thuần khiết tổng thể ($OP$), chỉ số $ARI$ và $NMI$ trên dữ liệu phân loại.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp sâu sắc vào hệ thống lý thuyết Khoa học máy tính thông qua việc mở rộng ranh giới của Lý thuyết Tập thô Pawlak và Lý thuyết Thông tin Shannon:

Thứ nhất, luận án hình thức hóa cấu trúc không gian khoảng cách giữa các thuộc tính bằng việc chứng minh toán học nghiêm ngặt: Biến thể Thông tin Chuẩn hóa (Normalized Variation of Information - $NVI$) là một metric phổ quát thực sự thỏa mãn đầy đủ các tiên đề metric (tính không âm, tính đối xứng, và bất đẳng thức tam giác). Xuất phát từ hệ thông tin $IS = (U, A)$, với hai thuộc tính $a, b \in A$, đại lượng $NVI(a, b)$ được định nghĩa: $$NVI(a, b) = \frac{H(a|b) + H(b|a)}{H(a, b)} = 1 - \frac{I(a; b)}{H(a, b)}$$ Trong đó $H(a, b)$ là entropy đồng thời, $H(a|b)$ là entropy có điều kiện, và $I(a; b)$ là thông tin tương hỗ. Luận án đã hoàn thành chứng minh bất đẳng thức tam giác: $$NVI(a, b) \le NVI(a, c) + NVI(c, b), \quad \forall a, b, c \in A$$ Chứng minh này đặt nền móng lý thuyết vững chắc cho việc đo lường độ phân kỳ thông tin giữa các biến định loại mà không phụ thuộc vào không gian metric tọa độ.

Thứ hai, luận án xác lập mô hình lý thuyết gom cụm thuộc tính nhằm giải trừ triệt để sự dư thừa dữ liệu (Redundancy Elimination Principle). Luận án đề xuất định lý về tập rút gọn xấp xỉ độc lập: Khi không gian thuộc tính điều kiện $C$ được phân hoạch thành $k$ cụm ${S_1, S_2, \dots, S_k}$ dựa trên metric $NVI$, tập hợp các thuộc tính đại diện $R = {a_1^, a_2^, \dots, a_k^}$ (trong đó mỗi $a_i^ \in S_i$ có độ tương quan thông tin lớn nhất với thuộc tính quyết định $d$) sẽ tạo thành một tập rút gọn xấp xỉ không chứa các thuộc tính dư thừa đồng dạng.

Khung phân tích độc đáo

Luận án tích hợp ba khung lý thuyết then chốt thành hai thuật toán mang tính bước ngoặt:

  1. Thuật toán ACBRC (Attribute Clustering Based Reduct Computing):

    • Giai đoạn 1 (Lọc thuộc tính không liên quan): Loại bỏ các thuộc tính có thông tin tương hỗ $I(a_i; d) \approx 0$ đối với thuộc tính quyết định $d$.
    • Giai đoạn 2 (Gom cụm thuộc tính tương đồng): Ứng dụng kỹ thuật phân hoạch xung quanh phần tử trung tâm (Partitioning Around Medoids - PAM / k-medoids) trên tập thuộc tính liên quan với ma trận khoảng cách $NVI$.
    • Giai đoạn 3 (Trích xuất đại diện): Chọn duy nhất một thuộc tính trong mỗi cụm có độ phụ thuộc thông tin cao nhất với $d$. Do các thuộc tính trong cùng một cụm có giá trị $NVI$ tiệm cận 0 (tương đồng cao), việc giữ lại một đại diện duy nhất loại bỏ hoàn toàn các thuộc tính dư thừa mà vẫn bảo toàn năng lực biểu diễn không gian mẫu.

  2. Thuật toán MMNVI (Minimum Mean Normalized Variation of Information):

    • Khung gom cụm phân cấp phân đôi (Divisive Hierarchical Clustering) cho dữ liệu phân loại.
    • Tại mỗi bước lặp, thuật toán loại bỏ thuộc tính đơn trị, tính toán Biến thể Thông tin Chuẩn hóa Trung bình ($MNVI$) của từng thuộc tính $a_j$ đối với toàn bộ các thuộc tính còn lại $a_m$: $$MNVI(a_j) = \frac{1}{|A|-1} \sum_{m \neq j} NVI(a_j, a_m)$$
    • Chọn thuộc tính phân cụm $a^$ có $MNVI(a^)$ nhỏ nhất (tức thuộc tính chia sẻ thông tin nhiều nhất, đại diện tốt nhất cho cấu trúc tập dữ liệu).
    • Tách tập dữ liệu dựa trên các lớp tương đương $U/IND({a^*})$: lấy lớp tương đương có tổng entropy của các thuộc tính nhỏ nhất làm một cụm hoàn chỉnh, hợp của các lớp tương đương còn lại tiếp tục đưa vào vòng lặp phân đôi tiếp theo cho đến khi đạt số cụm chỉ định.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được thiết kế theo trường phái Thực chứng luận tính toán (Computational Positivism) kết hợp Phương pháp Thực nghiệm Thuật toán Nghiêm ngặt (Rigorous Algorithmic Empirical Design). Thiết kế nghiên cứu đa tầng bao gồm: (1) Chứng minh toán học thuần túy các bổ đề và định lý về metric $NVI$; (2) Thiết kế cấu trúc thuật toán giải quyết bài toán NP-khó; (3) Thử nghiệm đối chuẩn diện rộng (Benchmarking) trên các tập dữ liệu thực nghiệm tiêu chuẩn quốc tế từ kho UCI.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu tuân thủ các chuẩn mực cao nhất của Khoa học máy tính thực nghiệm:

  • Chiến lược chọn mẫu dữ liệu: Sử dụng 8 tập dữ liệu thực tế đa dạng về số lượng mẫu ($|U|$ từ hàng chục đến hàng nghìn), số lượng thuộc tính ($|C|$ từ 4 đến 36) và số lớp phân loại: Soybean Small (47 mẫu, 35 thuộc tính, 4 lớp), Breast Cancer Wisconsin (699 mẫu, 9 thuộc tính, 2 lớp), Car Evaluation (1728 mẫu, 6 thuộc tính, 4 lớp), Congressional Voting (435 mẫu, 16 thuộc tính, 2 lớp), Chess (3196 mẫu, 36 thuộc tính, 2 lớp), Mushroom (8124 mẫu, 22 thuộc tính, 2 lớp), Balance Scale (625 mẫu, 4 thuộc tính, 3 lớp), và Zoo (101 mẫu, 16 thuộc tính, 7 lớp).
  • Quy trình tiền xử lý: Toàn bộ dữ liệu được chuẩn hóa, xử lý giá trị khuyết thiếu (Missing Values), và rời rạc hóa các thuộc tính liên tục nhằm bảo toàn hệ thống thông tin nhất quán và không nhất quán theo nguyên lý xấp xỉ tập thô.
  • Tam giác hóa kiểm định (Methodological Triangulation): Hiệu năng của tập rút gọn từ thuật toán ACBRC được kiểm chứng chéo độc lập thông qua hai bộ phân lớp máy học phổ quát: Cây quyết định C5.0 và Bộ phân lớp Naive Bayes với quy trình kiểm định chéo K-fold (K-fold Cross-Validation).
+-----------------------------------------------------------------------------------+
|                  KHUNG PHÂN TÍCH VÀ QUY TRÌNH THỰC NGHIỆM                         |
+-----------------------------------------------------------------------------------+
                                          |
        +---------------------------------+---------------------------------+
        |                                                                   |
        v                                                                   v
+-------------------------------+                   +-------------------------------+
|  THUẬT TOÁN RÚT GỌN ACBRC     |                   |  THUẬT TOÁN GOM CỤM MMNVI     |
+-------------------------------+                   +-------------------------------+
| 1. Lọc thuộc tính không       |                   | 1. Loại bỏ thuộc tính đơn trị |
|    liên quan: I(a; d) -> 0    |                   | 2. Tính MNVI, chọn a* có      |
| 2. Gom cụm thuộc tính bằng    |                   |    MNVI nhỏ nhất              |
|    PAM k-medoids với NVI      |                   | 3. Tách lớp tương đương có    |
| 3. Trích xuất đại diện cụm    |                   |    tổng entropy cực tiểu      |
+-------------------------------+                   +-------------------------------+
        |                                                                   |
        v                                                                   v
+-------------------------------+                   +-------------------------------+
| ĐÁNH GIÁ PHÂN LỚP (C5.0/Bayes)|                   | ĐÁNH GIÁ GOM CỤM (OP,ARI,NMI) |
| So sánh: QuickReduct,         |                   | So sánh: MMR, MGR             |
| RelativeReduct, CEBARKNC      |                   | 8 bộ dữ liệu chuẩn UCI        |
+-------------------------------+                   +-------------------------------+

Data và phân tích

Luận án phân tích độ phức tạp tính toán chi tiết:

  • Độ phức tạp không gian của các thuật toán đề xuất đạt mức tuyến tính $O(|U|)$.
  • Độ phức tạp thời gian của ACBRC đạt $O(k \cdot |C|^2 \cdot |U|)$, trong đó $k \ll |C|$, giảm thiểu đáng kể so với mức chi phí lũy thừa của ma trận phân biệt hay thuật toán duyệt toàn bộ.
  • Hiệu năng gom cụm của MMNVI được định lượng thông qua ba chỉ số thống kê cao cấp:
    1. Độ thuần khiết tổng thể (Overall Purity - OP): $$OP = \sum_{i=1}^k \frac{|C_i|}{N} Purity(C_i)$$
    2. Chỉ số ngẫu nhiên hiệu chỉnh (Adjusted Rand Index - ARI): Đo lường mức độ tương đồng giữa phân hoạch tìm được và phân bố lớp thực tế, khử trừ yếu tố ngẫu nhiên (chỉ số tiệm cận 1 thể hiện sự phân cụm hoàn hảo).
    3. Thông tin tương hỗ chuẩn hóa (Normalized Mutual Information - NMI): Đánh giá mức độ chia sẻ thông tin giữa cấu trúc cụm và nhãn lớp thực tế.

Phát hiện đột phá và implications

Những phát hiện then chốt

Quá trình thực nghiệm đã mang lại những phát hiện đột phá với số liệu minh chứng thuyết phục:

Thứ nhất, đối với bài toán lựa chọn thuộc tính, thuật toán ACBRC chứng minh khả năng nén số chiều vượt bậc mà không làm suy giảm độ chính xác phân lớp:

  • Trên bộ dữ liệu phức tạp như Chess (36 thuộc tính ban đầu), ACBRC rút gọn xuống chỉ còn một tập con tối thiểu các thuộc tính đại diện, giúp thuật toán phân lớp C5.0 và Bayes duy trì độ chính xác phân loại tương đương hoặc cao hơn so với khi sử dụng toàn bộ 36 thuộc tính gốc ($100%$ độ chính xác trên một số tập con thử nghiệm).
  • So sánh thời gian thực thi: ACBRC giảm thời gian tính toán từ hàng chục giây xuống còn vài mili-giây so với phương pháp ma trận phân biệt của Skowron và nhanh hơn rõ rệt so với CEBARKNC trên các tập dữ liệu có số chiều lớn.

Thứ hai, đối với bài toán gom cụm dữ liệu phân loại, thuật toán MMNVI xác lập chuẩn mực hiệu năng mới khi đối sánh với hai thuật toán quốc tế tiêu biểu MMR và MGR trên 8 bộ dữ liệu UCI:

  • Trên bộ dữ liệu Soybean Small, MMNVI đạt độ thuần khiết tổng thể $OP = 1.0$ ($100%$), chỉ số $ARI = 1.0$ và $NMI = 1.0$, tái tạo chính xác tuyệt đối cấu trúc 4 lớp tự nhiên của tập dữ liệu, trong khi MMR và MGR xuất hiện các sai lệch phân cụm.
  • Trên các bộ dữ liệu có cấu trúc phân bố phức tạp như Breast Cancer Wisconsin, Mushroom ($8124$ mẫu), Car Evaluation, MMNVI vượt trội hoàn toàn về các chỉ số $OP$, $ARI$ và $NMI$ so với MMR và MGR.
  • Luận án phát hiện hiện tượng phản trực giác (Counter-intuitive Finding): Trong dữ liệu phân loại, việc lựa chọn thuộc tính phân cụm dựa trên độ thô cục bộ (Local Roughness) như MMR thường dẫn đến "bẫy cực tiểu cục bộ", trong khi việc sử dụng đại lượng biến thể thông tin trung bình toàn cục ($MNVI$) kết hợp trích xuất lớp có entropy tối thiểu luôn đảm bảo tách biệt được các cụm có mật độ cao nhất trước, ngăn chặn hiện tượng phân mảnh cụm.
+---------------------------------------------------------------------------------------+
|                BẢNG SO SÁNH HIỆU NĂNG GOM CỤM TRÊN CÁC TẬP DỮ LIỆU UCI                |
+------------------------------------+------------------+---------------+---------------+
| Tập dữ liệu (Số mẫu / Thuộc tính) | Chỉ số đánh giá  | Thuật toán    | Thuật toán    | Thuật toán    |
|                                    |                  | MMR           | MGR           | MMNVI (Đề xuất|
+------------------------------------+------------------+---------------+---------------+
| Soybean Small (47 / 35)            | OP / ARI / NMI   | 0.89/0.78/0.82| 0.93/0.85/0.88| 1.00/1.00/1.00|
| Breast Cancer (699 / 9)            | OP / ARI         | 0.84 / 0.52   | 0.88 / 0.61   | 0.94 / 0.76   |
| Mushroom (8124 / 22)               | OP / NMI         | 0.79 / 0.54   | 0.82 / 0.59   | 0.89 / 0.71   |
| Car Evaluation (1728 / 6)          | OP / ARI         | 0.70 / 0.28   | 0.71 / 0.31   | 0.78 / 0.42   |
+------------------------------------+------------------+---------------+---------------+

Implications đa chiều

  • Hàm ý lý thuyết: Thiết lập cầu nối toán học hoàn chỉnh giữa Lý thuyết Tập thô và Lý thuyết Thông tin, chứng minh rằng không gian xấp xỉ tập thô và không gian phân kỳ entropy có thể bổ trợ lẫn nhau để giải quyết bài toán độ bất định mà không cần giả định xác suất tiền nghiệm.
  • Hàm ý phương pháp luận: Mở ra mô thức mới về "Gom cụm để lựa chọn thuộc tính" (Clustering-for-Feature-Selection) và "Phân cấp thông tin cực tiểu để gom cụm" (Min-Information Divisive Clustering), có thể áp dụng rộng rãi cho nhiều dạng dữ liệu phi số.
  • Hàm ý thực tiễn: Tạo ra các công cụ tính toán gọn nhẹ, tối ưu cho việc xây dựng các hệ thống nhúng, hệ thống chẩn đoán y tế tự động (dựa trên tập dữ liệu ung thư vú Wisconsin) và phân tích dữ liệu khảo sát kinh tế - xã hội.

Limitations và Future Research

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

  1. Phạm vi kiểu dữ liệu: Thuật toán MMNVI được thiết kế chuyên biệt cho dữ liệu phân loại thuần túy. Đối với các hệ thống thông tin hỗn hợp (Mixed Data) chứa đồng thời thuộc tính liên tục và phân loại, dữ liệu liên tục bắt buộc phải trải qua bước tiền xử lý rời rạc hóa (Discretization), điều này có thể dẫn đến việc mất mát một phần thông tin biên.
  2. Xác định số cụm $k$ tiên nghiệm: Thuật toán gom cụm phân cấp MMNVI vẫn yêu cầu người dùng chỉ định trước số lượng cụm mục tiêu $k$, chưa tích hợp cơ chế tự động tìm số cụm tối ưu dựa trên hệ số Silhouette hay khoảng cách Gap Statistic.
  3. Mở rộng quy mô dữ liệu cực lớn (Ultra-high dimensionality): Mặc dù ACBRC có chi phí tính toán đa thức, nhưng khi số lượng thuộc tính vượt ngưỡng hàng chục nghìn (như trong dữ liệu biểu hiện gen Microarray hay phân tích văn bản mức độ sâu), bước tính toán ma trận $NVI$ toàn phần vẫn đòi hỏi dung lượng bộ nhớ đáng kể.

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

  • Phát triển phiên bản mở rộng của ACBRC và MMNVI ứng dụng Lý thuyết Tập thô mờ (Fuzzy Rough Sets) và Lý thuyết Tập thô trực cảm (Intuitionistic Fuzzy Rough Sets) nhằm xử lý trực tiếp dữ liệu số thực liên tục mà không cần rời rạc hóa.
  • Tích hợp các thuật toán tối ưu hóa bầy đàn (PSO, Genetic Algorithm) vào MMNVI để tự động hóa việc xác định số cụm tối ưu $k$.
  • Song song hóa thuật toán trên nền tảng tính toán phân tán (Apache Spark / CUDA GPU) để xử lý dữ liệu lớn ở quy mô Terabyte.

Tác động và ảnh hưởng

  • Tác động học thuật: Các đóng góp cốt lõi của luận án đã được công bố trên các tạp chí khoa học uy tín, tiêu biểu là 02 công trình chuyên sâu trên Tạp chí Tin học và Điều khiển học (Journal of Computer Science and Cybernetics) vào các năm 2022 và 2023, cùng 01 bài báo quốc tế và 03 báo cáo tại các hội thảo khoa học chuyên ngành trong nước.
  • Chuyển đổi công nghiệp & R&D: Cung cấp thuật toán cốt lõi để xây dựng các giải pháp lọc đặc trưng trong hệ sinh thái an toàn thông tin (Phát hiện xâm nhập mạng - Intrusion Detection), phân khúc thị trường (Customer Segmentation) và y sinh học (Phân tích chỉ dấu sinh học phân tử).
  • Giá trị kinh tế - xã hội: Giảm tải tài nguyên phần cứng máy chủ trong các trung tâm dữ liệu khi huấn luyện mô hình học máy, tiết kiệm năng lượng tính toán thông qua việc tinh giản không gian thuộc tính đầu vào từ $30%$ đến $70%$.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung phân tích toán học mẫu mực về việc dung hợp Lý thuyết Tập thô và Lý thuyết Thông tin, mở ra các đề tài nghiên cứu tiếp nối về tính toán hạt và học máy không giám sát.
  • Kỹ sư Khoa học Dữ liệu & AI (Data Scientists): Sở hữu hai công cụ thuật toán mạnh mẽ (ACBRC và MMNVI) có thể lập trình hóa trực tiếp vào các thư viện Scikit-learn hay R packages để xử lý triệt để dữ liệu phân loại số chiều lớn.
  • Các tổ chức y tế và tài chính: Ứng dụng các quy tắc suy diễn rút gọn để xây dựng hệ thống hỗ trợ ra quyết định lâm sàng và chấm điểm tín dụng với tính giải thích được (Explainable AI - XAI) ở mức độ cao.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Trả lời: Đó là việc chứng minh toán học đại lượng Biến thể Thông tin Chuẩn hóa ($NVI$) là một metric hợp lệ và ứng dụng nó như một hàm khoảng cách phổ quát để phân hoạch không gian thuộc tính. Luận án đã mở rộng lý thuyết tập thô của Pawlak bằng cách giải quyết triệt để vấn đề "thuộc tính dư thừa" mà lý thuyết miền dương kinh điển không thể xử lý.

  2. Cải tiến phương pháp luận của MMNVI vượt trội hơn các nghiên cứu trước như thế nào? Trả lời: So với thuật toán MMR (Parmar et al., 2007) và MGR (Herawan et al., 2010), MMNVI không dùng các thước đo độ thô cục bộ vốn dễ gây lệch hướng phân cụm, mà sử dụng chỉ số thông tin chuẩn hóa trung bình toàn cục $MNVI$ kết hợp nguyên lý cực tiểu hóa entropy lớp tương đương. Điều này giúp MMNVI vượt trội hoàn toàn về chỉ số $ARI$ và $NMI$ trên toàn bộ 8 tập dữ liệu UCI chuẩn.

  3. Phát hiện thực nghiệm gây bất ngờ nhất là gì? Trả lời: Thuật toán ACBRC chứng minh rằng việc loại bỏ tới hơn $60%$ số lượng thuộc tính trong các bộ dữ liệu phức tạp không những không làm suy giảm hiệu năng mà còn làm gia tăng độ chính xác phân loại của mô hình C5.0 và Bayes, khẳng định giả thuyết rằng các thuộc tính dư thừa tạo ra "nhiễu tương quan" gây hại cho thuật toán học máy.

  4. Luận án có cung cấp quy trình tái tạo thực nghiệm (Replication Protocol) không? Trả lời: Toàn bộ giả mã (Pseudocode) của ACBRC và MMNVI, các bước tính toán trung gian, ma trận phân biệt mẫu và 8 bộ dữ liệu đối chuẩn UCI đều được mô tả chi tiết, rõ ràng trong các chương của luận án, đảm bảo khả năng tái lập thực nghiệm độc lập $100%$.

  5. Chương trình nghiên cứu 10 năm tới mở ra từ luận án là gì? Trả lời: Mở rộng mô hình lý thuyết sang tính toán hạt đa quy mô (Multi-scale Granular Computing), tích hợp tập thô mờ vào kiến trúc Deep Learning cho dữ liệu phi cấu trúc, và tối ưu hóa xử lý phân tán cho Big Data.

Kết luận

  1. Luận án đã giải quyết trọn vẹn hai bài toán nền tảng của Khai phá dữ liệu: lựa chọn thuộc tính và gom cụm dữ liệu phân loại trong môi trường thông tin bất định.
  2. Đề xuất thành công thuật toán ACBRC, tiên phong kết hợp gom cụm thuộc tính bằng PAM với metric $NVI$, loại bỏ đồng thời thuộc tính không liên quan và thuộc tính dư thừa.
  3. Đề xuất thành công thuật toán MMNVI, tạo đột phá trong gom cụm phân cấp phân đôi dữ liệu phân loại dựa trên biến thể thông tin chuẩn hóa trung bình và entropy.
  4. Chứng minh toán học chặt chẽ tính chất metric của đại lượng $NVI$, bổ sung cơ sở lý thuyết vững chắc cho Lý thuyết Thông tin và Lý thuyết Tập thô.
  5. Thực nghiệm quy mô lớn trên 8 bộ dữ liệu chuẩn UCI chứng minh tính vượt trội tuyệt đối của ACBRC và MMNVI về độ chính xác phân lớp, độ thuần khiết tổng thể ($OP$), chỉ số $ARI$, $NMI$ và thời gian tính toán.
  6. Mở ra các hướng nghiên cứu chuyển tiếp giàu tiềm năng trong tính toán hạt, trí tuệ nhân tạo giải thích được (XAI) và khai phá dữ liệu lớn đa chiều.