Tổng quan về luận án

Luận án tiến sĩ "Phát triển một số phương pháp thiết kế hệ phân lớp trên cơ sở lý thuyết tập mờ và đại số gia tử" của Phạm Đình Phong trình bày một nghiên cứu tiên phong trong lĩnh vực Khoa học máy tính, đặc biệt là trí tuệ nhân tạo và khai phá dữ liệu. Bối cảnh khoa học của nghiên cứu xuất phát từ nhu cầu cấp thiết trong kỷ nguyên dữ liệu lớn: phát triển các hệ phân lớp có khả năng xử lý thông tin ngôn ngữ tự nhiên một cách hiệu quả, vừa đạt độ chính xác cao vừa duy trì tính giải nghĩa (interpretability) cho người dùng. Các hệ phân lớp truyền thống như thống kê hay mạng nơ-ron thường gặp khó khăn trong việc cung cấp mô hình dễ hiểu. Mạng nơ-ron, dù chính xác, vẫn là một "hộp đen" khó diễn giải ([122], p. 1). Ngược lại, hệ dựa trên luật mờ (Fuzzy Rule-Based Systems - FRBS) có ưu điểm trong việc mô hình hóa các hệ thống phức tạp và biểu diễn tri thức dưới dạng ngôn ngữ tự nhiên ([14, 16, 26, 29, 34-41, 61-71, 74, 86, 88, 91, 92, 110], p. 2). Tuy nhiên, các phương pháp thiết kế FRBS hiện có, đặc biệt là hệ phân lớp dựa trên luật ngôn ngữ mờ (Fuzzy Linguistic Rule-Based Classifier - FLRBC), còn tồn tại những hạn chế về cơ chế hình thức liên kết ngữ nghĩa vốn có của từ ngữ với các tập mờ tương ứng, cũng như việc sinh lõi ngữ nghĩa khoảng cho các tập mờ.

Research Gap SPECIFIC với citations từ literature: Nghiên cứu này giải quyết một khoảng trống đáng kể trong lĩnh vực lý thuyết tập mờ và đại số gia tử. Thứ nhất, mặc dù mục tiêu của FRBS là "mô phỏng các khả năng khác biệt của con người trong việc thao tác trực tiếp trên các từ ngôn ngữ", nhưng "chưa có nghiên cứu nào trong phạm vi lý thuyết tập mờ có thể vận dụng các từ ngôn ngữ nhằm truyền đạt ngữ nghĩa của bản thân chúng, do thiếu một cầu nối hình thức giữa các từ ngôn ngữ với các tập mờ tương ứng" (p. 4). Các phương pháp hiện tại thường gán ngữ nghĩa cho các từ mờ dựa trên cảm nhận trực giác của người thiết kế, dẫn đến thiếu một cơ sở hình thức để đánh giá tính khái quát và tính cụ thể của các từ ngữ. Thứ hai, trong lý thuyết Đại số Gia tử (ĐSGT) truyền thống ([50-55], p. 28), "mới chỉ sử dụng giá trị định lượng ngữ nghĩa điểm, tức lõi ngữ nghĩa điểm, nên phần tử trung hòa W và hai phần tử 0 và 1 không có lõi". Điều này tạo ra sự mâu thuẫn với thực tiễn khi "ngữ nghĩa của từ ngôn ngữ chứa một miền có giá trị phù hợp với ngữ nghĩa của từ nhất nên tập mờ biểu diễn ngữ nghĩa của từ phải có lõi là một khoảng" (p. 28). Hàm thuộc mờ hình thang, với lõi là một khoảng, đáp ứng được yêu cầu này nhưng chưa được hình thức hóa trong khuôn khổ ĐSGT.

Research Questions và Hypotheses: Nghiên cứu này được dẫn dắt bởi các câu hỏi và giả thuyết chính sau:

  1. RQ1: Làm thế nào để mở rộng lý thuyết Đại số Gia tử nhằm cung cấp một cơ sở hình thức toán học cho việc sinh lõi của các tập mờ gán cho các từ ngôn ngữ, đặc biệt là lõi của tập mờ hình thang?
    • H1: Việc bổ sung một gia tử nhân tạo h0 vào ĐSGT truyền thống có thể tạo ra một cơ chế hình thức để mô hình hóa lõi ngữ nghĩa của các từ ngôn ngữ dưới dạng quan hệ thứ tự, từ đó sinh tự động ngữ nghĩa tính toán dựa trên tập mờ hình thang.
  2. RQ2: Làm thế nào để ứng dụng hiệu quả lõi ngữ nghĩa và ngữ nghĩa tính toán dựa trên tập mờ hình thang trong thiết kế tự động các hệ phân lớp dựa trên luật ngôn ngữ mờ, đảm bảo tính giải nghĩa và độ chính xác cao?
    • H2: Các phương pháp và thuật toán thiết kế FLRBC dựa trên ĐSGT mở rộng sẽ đạt được độ chính xác và tính giải nghĩa vượt trội so với các tiếp cận truyền thống dựa trên lý thuyết tập mờ hoặc ĐSGT chỉ với lõi điểm.
  3. RQ3: Các kỹ thuật tính toán mềm có thể được sử dụng như thế nào để nâng cao hiệu quả sinh luật mờ và tối ưu tham số ngữ nghĩa cho FLRBC dựa trên ĐSGT, đặc biệt đối với các tập dữ liệu có số chiều lớn?
    • H3: Việc tích hợp các thuật toán tối ưu đa mục tiêu (như MOPSO, MOPSO-SA) và kỹ thuật lựa chọn đặc trưng động (DWFS) sẽ cải thiện đáng kể hiệu quả thiết kế FLRBC, giảm độ phức tạp và thời gian tính toán mà vẫn duy trì hoặc nâng cao độ chính xác.

Theoretical framework với tên theories cụ thể: Luận án được xây dựng dựa trên sự kết hợp và mở rộng của hai nền tảng lý thuyết chính: Lý thuyết tập mờ (Fuzzy Set Theory) của Lotfi A. Zadeh (1965) và khái niệm Biến ngôn ngữ (Linguistic Variable) của Zadeh (1975), cùng với Đại số Gia tử (Granular Algebra) của Nguyễn Cát Hồ và các cộng sự ([50-55]). Lý thuyết tập mờ cung cấp khung toán học để xử lý thông tin không chắc chắn và không chính xác, đặc biệt thông qua hàm thuộc mờ (membership function). Đại số Gia tử cung cấp một cách tiếp cận hình thức để xử lý miền giá trị của biến ngôn ngữ, tạo cơ sở đại số cho logic mờ Zadeh và tính toán trên các từ, liên kết ngữ nghĩa tính toán dựa trên tập mờ với ngữ nghĩa định tính vốn có của các từ ngôn ngữ ([52, 54], p. 22). Nghiên cứu này mở rộng ĐSGT để tích hợp khái niệm lõi ngữ nghĩa (semantics core) và phát triển ngữ nghĩa hình thang (trapezoidal fuzzy semantics).

Đóng góp đột phá với quantified impact: Luận án mang lại ba đóng góp đột phá chính:

  1. Mở rộng lý thuyết Đại số Gia tử cho lõi ngữ nghĩa và ngữ nghĩa hình thang: Luận án đề xuất một mở rộng của ĐSGT để mô hình hóa lõi ngữ nghĩa của các từ ngôn ngữ, cung cấp cơ sở hình thức cho việc sinh tự động ngữ nghĩa tính toán dựa trên tập mờ hình thang. Đóng góp này đã được công bố trên các tạp chí uy tín như Tạp chí Tin học và Điều khiển học (2012, 2013) và Tạp chí Knowledge-Based Systems (công trình [CT5], p. 7), cho thấy sự công nhận quốc tế. Việc này giải quyết trực tiếp khoảng trống về cầu nối hình thức giữa ngữ nghĩa định tính và tính toán, cho phép biểu diễn ngữ nghĩa các từ ngữ gần với cách tư duy con người hơn.
  2. Thiết kế tối ưu hệ phân lớp dựa trên luật ngôn ngữ mờ (FLRBC) với lõi ngữ nghĩa hình thang: Luận án ứng dụng lý thuyết mở rộng để phát triển các phương pháp và thuật toán thiết kế tối ưu FLRBC, đảm bảo đồng thời tính giải nghĩa và độ chính xác. Kết quả thực nghiệm cho thấy các phương pháp đề xuất vượt trội so với các tiếp cận trước đây, ví dụ, so sánh độ chính xác của FRBC_AXmrtp và FRBC_AXmr với All Granularities và Product-1-ALL TUN bằng kiểm định Wilcoxon Signed Rank với α = 0,05 ([Bảng 2.7, p. ix]).
  3. Nâng cao hiệu quả thiết kế FLRBC bằng kỹ thuật tính toán mềm: Nghiên cứu đề xuất ứng dụng thuật toán tối ưu bầy đàn đa mục tiêu (MOPSO) và thuật toán tối ưu đa mục tiêu lai MOPSO-SA, cùng kỹ thuật lựa chọn đặc trưng trọng số động (DWFS), để tối ưu hóa các tham số ngữ nghĩa và giảm thời gian sinh luật. Các kết quả thực nghiệm với 17 tập dữ liệu mẫu cho thấy MOPSO đạt hiệu quả tốt hơn so với GSA, và MOPSO-SA cải thiện độ chính xác và giảm độ phức tạp so với MOPSO truyền thống (Bảng 3.2, 3.3, 3.4, 3.5, p. x). Cụ thể, kỹ thuật lựa chọn đặc trưng có thể giảm thời gian sinh luật khởi đầu đáng kể, ví dụ, giảm thời gian cho ĐSGT AX và AXmrtp (Bảng 3.6, 3.7, p. 111).

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu tập trung vào việc phát triển lý thuyết và ứng dụng trong thiết kế FLRBC. Các thực nghiệm được tiến hành trên một loạt các tập dữ liệu mẫu, bao gồm 17 tập dữ liệu chuẩn ([Bảng 3.2, p. ix]), trong đó có các tập dữ liệu có số chiều lớn và các đặc trưng phức tạp. Ví dụ, tập dữ liệu Mammographic từ KEEL-Dataset repository [128] với 830 mẫu dữ liệu, 5 thuộc tính và 2 nhãn lớp ([p. 27]). Nghiên cứu được thực hiện trong giai đoạn trước năm 2017, khi luận án được hoàn thành. Tầm quan trọng của luận án nằm ở khả năng cung cấp các công cụ mạnh mẽ hơn cho việc xử lý thông tin ngôn ngữ trong AI, tạo ra các hệ thống thông minh không chỉ chính xác mà còn minh bạch, dễ hiểu cho người dùng, điều cần thiết trong các ứng dụng ra quyết định phức tạp như y tế, tài chính hay điều khiển tự động.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Lĩnh vực phân lớp dữ liệu đã chứng kiến sự phát triển của nhiều phương pháp chính. Kỹ thuật thống kê như Naïve Bayes ([80, 118]) và cây quyết định (C4.5) thường dựa trên lý thuyết quyết định Bayesian ([p. 1]), cho kết quả tốt khi mô hình xác suất phù hợp với dữ liệu. Mạng nơ-ron ([42, 72, 85, 96, 97, 114, 120]) cung cấp độ chính xác cao nhưng lại là "hộp đen" khó hiểu và cần ước lượng nhiều tham số ([122], p. 1). Hệ dựa trên luật mờ (FRBS), được Mamdani giới thiệu vào năm 1974 ([89, 90]), nổi bật với khả năng mô hình hóa các hệ thống phức tạp và biểu diễn tri thức dưới dạng ngôn ngữ tự nhiên, đặc biệt trong điều khiển tự động ([19, 77, 89, 90, 117]) và khai phá tri thức ([14, 16, 26, 29, 34-41, 61-71, 74, 86, 88, 91, 92, 110]). Các nghiên cứu về FLRBC đã được Ishibuchi và các cộng sự đề xuất từ năm 1992 ([61]), tập trung vào việc trích rút luật mờ từ dữ liệu, thường từ các phân hoạch mờ được thiết kế trước bởi chuyên gia ([61-70], [26], [13, 14], [35, 36], p. 3). Một số nghiên cứu khác đề xuất xây dựng phân hoạch mờ rời rạc dựa trên công nghệ tính toán hạt (granular computing) bởi Roh và các cộng sự ([106]) hoặc kỹ thuật rời rạc hóa dữ liệu bởi Fazzolari và các cộng sự ([36]). Về tối ưu hóa FRBC, các thuật toán tối ưu đa mục tiêu đã được sử dụng rộng rãi để cân bằng giữa độ chính xác và tính dễ hiểu, điển hình bởi Ishibuchi và các cộng sự ([62, 63, 67]), Alcalá và các cộng sự ([14]), Fazzolari và các cộng sự ([35, 36]).

Contradictions/debates với ít nhất 2 opposing views: Tồn tại một mâu thuẫn cốt lõi trong thiết kế FLRBC: mục tiêu về độ chính xác (accuracy) và tính giải nghĩa (interpretability) thường xung khắc nhau ([p. 15]). Ishibuchi và các cộng sự ([61]) đã ghi nhận rằng hệ luật mờ thu được có thể phức tạp (số luật và số điều kiện lớn) và độ chính xác chưa cao. Nếu số luật tăng, lượng tri thức tăng nhưng tính khó hiểu cũng tăng. Ngược lại, giảm số luật để tăng tính dễ hiểu có thể làm giảm độ chính xác. Một cuộc tranh luận khác xoay quanh cách sinh luật mờ. Một số tiếp cận sinh luật từ tổ hợp của tất cả các từ ngôn ngữ cho các thuộc tính, tạo ra số lượng luật rất lớn, đặc biệt với dữ liệu có số chiều lớn, như của Cordon và các cộng sự ([26]) hay Ishibuchi và các cộng sự ([61-70]). Ngược lại, các phương pháp dựa trên cây tìm kiếm (Fernández et al. [41], Fazzolari et al. [35]) hoặc cây quyết định (Abonyi et al. [12], Pulkkinen & Koivisto [103]) giảm đáng kể số luật nhưng có thể dẫn đến tối ưu địa phương hoặc giảm chất lượng khi chuyển đổi sang mô hình mờ ([p. 5]).

Positioning trong literature với specific gap identified: Luận án định vị mình ở giao điểm của lý thuyết tập mờ và đại số gia tử, tập trung vào việc khắc phục những hạn chế mà các tiếp cận trước đây gặp phải. Cụ thể, luận án giải quyết sự thiếu hụt một "cầu nối hình thức giữa các từ ngôn ngữ với các tập mờ tương ứng" ([p. 4]) trong lý thuyết tập mờ và sự hạn chế của ĐSGT truyền thống chỉ sử dụng lõi ngữ nghĩa điểm ([p. 28]). Bằng cách mở rộng ĐSGT, luận án cung cấp một cơ sở hình thức toán học để tự động sinh ngữ nghĩa tính toán dựa trên tập mờ hình thang, phản ánh chính xác hơn ngữ nghĩa vốn có của các từ ngôn ngữ. Điều này cho phép "mô phỏng quá trình chuyển hóa thành các tập mờ từ thế giới thực của con người" ([p. 4]), một khả năng mà các tiếp cận tập mờ truyền thống chưa đạt được.

How this advances field với concrete contributions: Nghiên cứu này thúc đẩy lĩnh vực FLRBC bằng cách:

  1. Cung cấp một nền tảng lý thuyết vững chắc hơn: Mở rộng ĐSGT với khái niệm lõi ngữ nghĩa và ngữ nghĩa hình thang, từ đó đưa ra một phương pháp hình thức duy nhất để mô tả tính mờ của các khái niệm ngôn ngữ, khác biệt với việc gán cấu trúc hàm dựa trên trực giác trong lý thuyết tập mờ.
  2. Cải thiện tính giải nghĩa: Ngữ nghĩa tính toán dựa trên tập mờ hình thang được xây dựng từ ngữ nghĩa định tính của các từ ngôn ngữ, giúp các luật mờ dễ hiểu hơn cho người dùng cuối.
  3. Nâng cao hiệu quả thuật toán: Việc tích hợp các thuật toán tối ưu đa mục tiêu (MOPSO, MOPSO-SA) và kỹ thuật lựa chọn đặc trưng động (DWFS) vào quá trình thiết kế FLRBC giúp giải quyết các thách thức với dữ liệu có số chiều lớn, giảm thời gian sinh luật và nâng cao độ chính xác.

So sánh với ÍT NHẤT 2 international studies:

  1. So sánh với Ishibuchi và cộng sự ([61-70]): Các công trình của Ishibuchi et al. (từ 1992) đã tiên phong trong việc trích xuất hệ luật mờ từ dữ liệu cho bài toán phân lớp. Tuy nhiên, họ thường sinh luật từ các phân hoạch mờ lưới (grid partition) hoặc kết hợp tất cả các từ ngôn ngữ, dẫn đến số luật mờ rất lớn, đặc biệt đối với các tập dữ liệu có số chiều lớn ([61-63], p. 15). Luận án này, thông qua việc kế thừa phương pháp sinh luật trực tiếp từ mẫu dữ liệu của Nguyễn Cát Hồ và các cộng sự ([5, 57]), khắc phục hạn chế này bằng cách "hạn chế được số luật ngôn ngữ mờ được sinh ra và không phụ thuộc vào số từ ngôn ngữ được sử dụng" ([p. 5]).
  2. So sánh với Alcalá và cộng sự ([13, 14]): Alcalá et al. cũng tập trung vào tối ưu hóa FRBC bằng các thuật toán tiến hóa. Tuy nhiên, các đề xuất của họ thường "sử dụng các chiến lược tìm kiếm tối ưu các tham số của hàm thuộc, không tối ưu ngữ nghĩa của các từ ngôn ngữ, do đó, số tham số cần hiệu chỉnh thích nghi lớn và không bảo toàn được ngữ nghĩa của các từ ngôn ngữ" ([p. 6]). Luận án này, với tiếp cận dựa trên ĐSGT, tối ưu các tham số ngữ nghĩa mà "chỉ phụ thuộc vào bản thân các biến ngôn ngữ của chúng", đảm bảo tính bảo toàn ngữ nghĩa và giảm số lượng tham số cần hiệu chỉnh thích nghi.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án thực hiện một đóng góp lý thuyết đáng kể bằng cách mở rộng Đại số Gia tử (ĐSGT), một khung hình thức do Nguyễn Cát Hồ và các cộng sự phát triển ([50-55]), để mô hình hóa sâu sắc hơn bản chất của ngữ nghĩa ngôn ngữ tự nhiên. Cụ thể, nó mở rộng ĐSGT để tích hợp khái niệm lõi ngữ nghĩa (semantics core) của các từ ngôn ngữ. Đóng góp này chủ yếu extend các lý thuyết hiện có bằng cách:

  • Extend Lý thuyết Đại số Gia tử: Bổ sung gia tử nhân tạo h0 vào ĐSGT truyền thống, tạo ra ĐSGT mở rộng AXmr. Gia tử h0 có chức năng cảm sinh duy nhất một từ ngôn ngữ có dạng h0x với mọi x  X \ C, nơi mà h0x được xem là lõi ngữ nghĩa của x. Điều này giải quyết hạn chế của ĐSGT truyền thống chỉ sử dụng lõi ngữ nghĩa điểm và cung cấp cơ sở hình thức cho việc sinh tự động ngữ nghĩa tính toán dựa trên tập mờ có lõi là một khoảng, đặc biệt là tập mờ hình thang. Các tiên đề (A1) đến (A4) của ĐSGT truyền thống vẫn được giữ nguyên, và tiên đề (A5mr) được bổ sung để mô tả các đặc trưng của lõi ngữ nghĩa dưới dạng quan hệ thứ tự.

  • Conceptual framework với components và relationships: Khung lý thuyết mới bao gồm:

    • Biến Ngôn ngữ (X): Được định nghĩa là một bộ 5 thành phần (X, T(X), U, R, M) theo Zadeh (1975) ([124]), với các giá trị ngôn ngữ được sinh ra từ Đại số Gia tử.
    • Đại số Gia tử mở rộng (AXmr): Là bộ 5 thành phần (Xmr, C, G, Hmr, ≤), nơi Xmr = X  {h0x: x  X \ C} và Hmr = H  {I, h0}. Hmr bao gồm các gia tử âm (H-) và dương (H+) cùng với gia tử đơn vị (I) và gia tử nhân tạo h0.
    • Lõi ngữ nghĩa (h0x): Đại diện cho miền giá trị phù hợp nhất với ngữ nghĩa của từ x.
    • Ngữ nghĩa tính toán dựa trên tập mờ hình thang: Được xây dựng từ lõi ngữ nghĩa và độ đo tính mờ của các từ ngôn ngữ. Các mối quan hệ được định rõ thông qua quan hệ thứ tự ngữ nghĩa (≤) và các tiên đề của ĐSGT mở rộng, đặc biệt là (A5mr), trong đó h0x bao giờ cũng là điểm bất động đối với mọi gia tử, và x và h0x là không sánh được với nhau nếu x không phải là hằng ([Định nghĩa 2.1, p. 32]).

  • Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết được đề xuất xoay quanh ý tưởng rằng ngữ nghĩa của các từ ngôn ngữ không chỉ là một điểm mà là một khoảng.

    • Proposition 1: Việc bổ sung gia tử nhân tạo h0 vào ĐSGT truyền thống (AX) để tạo ra ĐSGT mở rộng (AXmr) sẽ cho phép mô hình hóa lõi ngữ nghĩa của các từ ngôn ngữ dưới dạng khoảng.
    • Proposition 2: Với AXmr, ngữ nghĩa tính toán dựa trên tập mờ hình thang có thể được sinh tự động từ ngữ nghĩa định tính vốn có của các từ ngôn ngữ, trong đó lõi của hình thang tương ứng với h0x.
    • Proposition 3: Các hệ phân lớp dựa trên luật ngôn ngữ mờ (FLRBC) được thiết kế bằng cách sử dụng ngữ nghĩa hình thang sinh từ AXmr sẽ có tính giải nghĩa cao hơn và độ chính xác cạnh tranh hoặc vượt trội so với các phương pháp dựa trên lý thuyết tập mờ hoặc ĐSGT truyền thống.

  • Paradigm shift với EVIDENCE từ findings: Luận án gợi mở một chuyển dịch mô hình (paradigm shift) nhỏ trong cách tiếp cận ngữ nghĩa ngôn ngữ trong trí tuệ nhân tạo mờ. Thay vì coi ngữ nghĩa là một điểm hoặc một tập mờ được định nghĩa trực giác (như Zadeh, 1965), luận án đề xuất một cách tiếp cận dựa trên cấu trúc đại số của ngôn ngữ (Granular Algebra) để định lượng ngữ nghĩa. Việc hình thức hóa lõi ngữ nghĩa thành một khoảng thông qua gia tử h0 cho thấy sự chuyển dịch từ "ngữ nghĩa định lượng điểm" sang "ngữ nghĩa định lượng khoảng" ([p. 28]), phản ánh chính xác hơn bản chất mơ hồ của ngôn ngữ tự nhiên. Điều này được minh chứng bằng việc "hàm thuộc mờ hình thang đáp ứng được yêu cầu này" ([p. 28]) và các kết quả thực nghiệm cho thấy sự cải thiện về độ chính xác và tính giải nghĩa khi áp dụng cấu trúc mới (Bảng 2.5, 2.6, 2.7, p. ix).

Khung phân tích độc đáo

  • Integration của theories (name 3+ specific theories): Khung phân tích của luận án là sự tích hợp tinh vi của:

    1. Lý thuyết tập mờ (Zadeh, 1965): Cung cấp nền tảng cho các hàm thuộc và các phép toán mờ cơ bản.
    2. Lý thuyết biến ngôn ngữ (Zadeh, 1975): Định nghĩa các biến mà giá trị của chúng là các từ ngôn ngữ tự nhiên.
    3. Đại số Gia tử (Nguyễn Cát Hồ và cộng sự, [50-55]): Cung cấp cấu trúc đại số và quan hệ thứ tự cho miền giá trị của biến ngôn ngữ.
    4. Lý thuyết tối ưu đa mục tiêu: Áp dụng các thuật toán như MOPSO và MOPSO-SA để cân bằng độ chính xác và tính giải nghĩa. Sự tích hợp này độc đáo ở chỗ nó không chỉ sử dụng các lý thuyết một cách riêng lẻ mà còn tổng hợp chúng để giải quyết các hạn chế lẫn nhau.

  • Novel analytical approach với justification: Phương pháp phân tích mới lạ nằm ở việc xây dựng "hệ khoảng tính mờ liên kết với độ đo tính mờ của các từ ngôn ngữ" ([p. 36, Hình 2.3]) và ánh xạ định lượng ngữ nghĩa khoảng (p. 38) từ ĐSGT mở rộng. Điều này được chứng minh là "cơ sở hình thức cho việc thiết kế tự động ngữ nghĩa tính toán dựa trên tập mờ hình thang từ ngữ nghĩa vốn có của các từ ngôn ngữ trên cơ sở phát triển mở rộng ĐSGT biểu diễn lõi ngữ nghĩa của các từ ngôn ngữ" ([p. 29]). Các cách tiếp cận khác thường chỉ điều chỉnh các tham số của hàm thuộc mà không bảo toàn được ngữ nghĩa của các từ ngôn ngữ.

  • Conceptual contributions với definitions:

    • Lõi ngữ nghĩa (Semantics Core - Core(x)): Được định nghĩa là một miền giá trị (khoảng) phù hợp nhất với ngữ nghĩa của từ x, được hình thức hóa thông qua việc bổ sung gia tử h0 vào ĐSGT, tạo thành h0x.
    • Đại số Gia tử mở rộng toàn phần (AXmrtp): Là một mở rộng tiếp theo của AXmr để mô hình hóa lõi ngữ nghĩa của các phần tử 0 và 1 (ví dụ, “cực kỳ trẻ” và “cực kỳ già”), vốn không có lõi trong AXmr. Điều này đảm bảo tính nhất quán của mô hình ngữ nghĩa cho toàn bộ miền giá trị.
    • Ngữ nghĩa tính toán dựa trên tập mờ hình thang: Là hình thức hóa của ngữ nghĩa của từ ngôn ngữ bằng một tập mờ hình thang, trong đó lõi của hình thang được xác định bởi lõi ngữ nghĩa h0x.

  • Boundary conditions explicitly stated:

    • Tính tuyến tính và tự do của ĐSGT: Phương pháp mở rộng ĐSGT được áp dụng cho ĐSGT AX "tuyến tính và tự do" ([p. 31]).
    • Gia tử nhân tạo h0: Được giả thiết chỉ sinh ra phần tử h0x và không thể tham gia sinh thêm các từ mới từ h0x, tức là h0 có tính chất hσ(h0x) = h0x với σ  H ([p. 31]).
    • Loại hàm thuộc: Nghiên cứu tập trung vào việc tạo ra hàm thuộc hình thang, mặc dù lý thuyết tập mờ cho phép nhiều dạng hàm thuộc khác.
    • Dữ liệu: Các phương pháp được thử nghiệm chủ yếu trên các tập dữ liệu có sẵn, thường là các tập dữ liệu chuẩn trong lĩnh vực học máy.
    • Cân bằng Accuracy-Interpretability: Luôn là một ràng buộc biên cho các thuật toán tối ưu đa mục tiêu, nơi sự cải thiện một mục tiêu có thể đi kèm với sự suy giảm mục tiêu khác ([p. 15]).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng một thiết kế nghiên cứu thực nghiệm và phát triển lý thuyết, kết hợp chặt chẽ giữa việc mở rộng các khung lý thuyết hiện có và thử nghiệm ứng dụng các cải tiến đó.

  • Research philosophy: Triết lý nghiên cứu mang tính pragmatist, pha trộn giữa positivism và interpretivism. Về mặt positivism, luận án nhấn mạnh vào việc đo lường định lượng hiệu suất (độ chính xác, độ phức tạp) thông qua các thực nghiệm được kiểm soát và kiểm định thống kê nghiêm ngặt (ví dụ: kiểm định Wilcoxon Signed Rank với α = 0,05). Các giả thuyết được kiểm tra dựa trên dữ liệu thực nghiệm để rút ra các kết luận khách quan. Tuy nhiên, yếu tố interpretivism cũng hiện diện mạnh mẽ thông qua mục tiêu cốt lõi là nâng cao "tính giải nghĩa được" (interpretability) của các hệ phân lớp. Nghiên cứu tìm cách hình thức hóa ngữ nghĩa của ngôn ngữ tự nhiên, một khái niệm vốn mang tính chủ quan và ngữ cảnh, thông qua việc mở rộng Đại số Gia tử để mô hình hóa lõi ngữ nghĩa và ngữ nghĩa hình thang. Điều này thể hiện sự thừa nhận rằng các mô hình cần phải phản ánh và dễ hiểu đối với nhận thức con người.

  • Mixed methods với SPECIFIC combination rationale: Mặc dù không sử dụng "mixed methods" theo nghĩa truyền thống (kết hợp dữ liệu định tính và định lượng trong một nghiên cứu), thiết kế này kết hợp các phương pháp định tính và định lượng ở cấp độ lý thuyết và thực nghiệm.

    • Định tính (lý thuyết): Phát triển cơ sở hình thức cho lõi ngữ nghĩa và ngữ nghĩa hình thang thông qua mở rộng Đại số Gia tử, định nghĩa các khái niệm mới (h0x, AXmr, AXmrtp) và thiết lập các tiên đề để mô tả quan hệ thứ tự ngữ nghĩa. Điều này mang tính chất xây dựng lý thuyết để mô tả một hiện tượng phức tạp (ngữ nghĩa ngôn ngữ).
    • Định lượng (thực nghiệm): Thiết kế và thực hiện các thực nghiệm trên các tập dữ liệu thực để đánh giá định lượng độ chính xác, độ phức tạp và hiệu quả tính toán của các phương pháp đề xuất. Sử dụng các thuật toán tối ưu (MOPSO, MOPSO-SA) và kỹ thuật lựa chọn đặc trưng, sau đó so sánh kết quả bằng các kiểm định thống kê (Wilcoxon Signed Rank test). Sự kết hợp này được lý giải bởi mục tiêu kép của luận án: vừa phát triển một nền tảng lý thuyết mạnh mẽ để mô hình hóa ngữ nghĩa, vừa chứng minh tính hiệu quả thực tiễn của nền tảng đó trong các ứng dụng phân lớp dữ liệu.

  • Multi-level design với levels clearly defined: Mặc dù không phải là thiết kế đa cấp theo nghĩa của các biến trong xã hội học, nghiên cứu này có thể được xem xét theo các cấp độ phát triển và đánh giá:

    • Cấp độ 1: Lý thuyết cơ bản: Mở rộng Đại số Gia tử (ĐSGT) để tạo ra AXmr và AXmrtp, bao gồm các tiên đề và định nghĩa mới cho lõi ngữ nghĩa và ngữ nghĩa hình thang.
    • Cấp độ 2: Phát triển phương pháp: Xây dựng các phương pháp và thuật toán để thiết kế tự động FLRBC từ dữ liệu, tích hợp các cấu trúc ngữ nghĩa mới.
    • Cấp độ 3: Tối ưu hóa hiệu quả: Áp dụng các kỹ thuật tính toán mềm (MOO, Feature Selection) để cải thiện hiệu suất của các phương pháp ở cấp độ 2, đặc biệt cho các thách thức về dữ liệu.
    • Cấp độ 4: Đánh giá thực nghiệm: Thực hiện các so sánh thực nghiệm toàn diện trên nhiều tập dữ liệu để đánh giá hiệu quả của các đề xuất ở các cấp độ trước.

  • Sample size và selection criteria EXACT: Luận án sử dụng một bộ 17 tập dữ liệu mẫu trong các thực nghiệm (Bảng 3.2, p. 96). Các tập dữ liệu này được chọn từ các kho dữ liệu chuẩn như KEEL-Dataset repository [128]. Các tiêu chí lựa chọn tập dữ liệu bao gồm:

    • Đa dạng về đặc điểm: số chiều (thuộc tính), số lượng mẫu dữ liệu, số nhãn lớp (ví dụ, tập dữ liệu Mammographic có 830 mẫu dữ liệu, 5 thuộc tính và 2 nhãn lớp [p. 27]).
    • Đại diện cho các bài toán phân lớp điển hình.
    • Một số tập dữ liệu có "số chiều lớn" ([Bảng 3.5, p. 109]) để đánh giá hiệu quả của kỹ thuật lựa chọn đặc trưng.
    • Các tập dữ liệu được chia thành tập huấn luyện và tập kiểm tra một cách ngẫu nhiên và độc lập, đảm bảo tính khách quan trong đánh giá mô hình ([p. 12]).

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria:

    • Inclusion: Các mẫu dữ liệu có nhãn lớp đã biết, đầy đủ các thuộc tính (hoặc các trường hợp thiếu thông tin được xử lý theo phương pháp cụ thể). Các tập dữ liệu được chọn phải đại diện cho các thách thức trong phân lớp (ví dụ, dữ liệu số chiều lớn, dữ liệu không cân bằng – dù luận án chủ yếu đề cập đến số chiều lớn).
    • Exclusion: Các mẫu dữ liệu không hợp lệ hoặc bị hỏng sẽ được loại bỏ hoặc tiền xử lý trước khi huấn luyện. Tiêu chí loại bỏ cũng áp dụng cho các luật có trọng số âm trong quá trình sinh luật nếu sử dụng công thức trọng số luật có nhược điểm này ([p. 17]). Trong các thực nghiệm, các tập dữ liệu thường được phân chia sử dụng kỹ thuật cross-validation (ví dụ, 10-fold cross-validation, mặc dù không được nêu rõ cụ thể trong đoạn text được cung cấp nhưng là chuẩn mực trong các nghiên cứu tương tự) để đảm bảo tính tổng quát của kết quả.

  • Data collection protocols với instruments described: Dữ liệu được sử dụng trong luận án là các tập dữ liệu chuẩn có sẵn trong lĩnh vực học máy, không cần quy trình thu thập dữ liệu mới. Các "instruments" ở đây là các phương pháp và thuật toán được phát triển hoặc cải tiến trong luận án để xử lý và phân tích dữ liệu:

    • Thiết kế ngữ nghĩa tính toán dựa trên tập mờ của các từ ngôn ngữ: Dựa trên Đại số Gia tử mở rộng.
    • Sinh tập luật khởi đầu từ dữ liệu: Sử dụng ngữ nghĩa ĐSGT mở rộng, theo phương pháp sinh luật trực tiếp từ mẫu dữ liệu của Nguyễn Cát Hồ và các cộng sự ([5, 57], p. 5).
    • Tối ưu các tham số ngữ nghĩa và tìm kiếm hệ luật tối ưu: Áp dụng các thuật toán tối ưu đa mục tiêu như MOPSO và MOPSO-SA.
    • Kỹ thuật lựa chọn đặc trưng: Sử dụng trọng số động (DWFS) để xử lý các tập dữ liệu có số chiều lớn.

  • Triangulation (data/method/investigator/theory):

    • Data Triangulation: Sử dụng một bộ đa dạng các tập dữ liệu mẫu (17 datasets) từ các lĩnh vực khác nhau (ví dụ: Mammographic, Haberman – Hình 1.13, Hình 1.14, p. xiii) để đảm bảo tính tổng quát và robust của các phát hiện.
    • Methodological Triangulation: So sánh các phương pháp đề xuất với nhiều phương pháp khác nhau trong literature, bao gồm các tiếp cận dựa trên ĐSGT truyền thống (AX, AXmr, AXmrtp), lý thuyết tập mờ (All Granularities, Product-1-ALL TUN, PAES-RCS, FURIA), và các thuật toán học máy khác (C4.5). Điều này cung cấp một cái nhìn đa chiều về hiệu suất.
    • Theoretical Triangulation: Tích hợp và mở rộng các lý thuyết khác nhau (Fuzzy Set Theory, Linguistic Variables, Granular Algebra, Multi-objective Optimization) để tạo ra một khung phân tích toàn diện hơn.

  • Validity (construct/internal/external) và reliability (α values):

    • Construct Validity: Các khái niệm như "lõi ngữ nghĩa" và "ngữ nghĩa hình thang" được định nghĩa chặt chẽ thông qua các tiên đề toán học và được hình thức hóa trong khuôn khổ ĐSGT mở rộng, đảm bảo rằng chúng đo lường đúng những gì cần đo lường.
    • Internal Validity: Các thực nghiệm được thiết kế để kiểm soát các biến nhiễu. Ví dụ, việc sử dụng cùng một bộ dữ liệu, cùng một tiêu chí đánh giá (độ chính xác, độ phức tạp) và cùng một kiểm định thống kê (Wilcoxon Signed Rank test với α = 0,05) để so sánh các phương pháp khác nhau.
    • External Validity (Generalizability): Việc sử dụng nhiều tập dữ liệu đa dạng giúp tăng cường khả năng tổng quát hóa của các phát hiện. Tuy nhiên, các điều kiện biên về context/sample/time (như loại dữ liệu cụ thể, số lượng mẫu, thời điểm nghiên cứu) cũng được thừa nhận trong phần hạn chế.
    • Reliability: Độ tin cậy được đảm bảo thông qua việc lặp lại các thực nghiệm (mặc dù không được mô tả chi tiết là lặp lại bao nhiêu lần, nhưng là ngụ ý của các nghiên cứu thực nghiệm) và sử dụng các kiểm định thống kê chuẩn. α values (mức ý nghĩa) của kiểm định Wilcoxon Signed Rank test được đặt là 0,05 ([p. ix, x]), là một tiêu chuẩn phổ biến trong nghiên cứu khoa học, cho phép đánh giá ý nghĩa thống kê của sự khác biệt giữa các phương pháp.

Data và phân tích

  • Sample characteristics với demographics/statistics: Các tập dữ liệu được sử dụng trong luận án có các đặc điểm khác nhau, phản ánh sự đa dạng của các bài toán phân lớp. Ví dụ, tập dữ liệu Mammographic có 830 mẫu dữ liệu, 5 thuộc tính và 2 nhãn lớp. Các tập dữ liệu được đề cập trong Bảng 3.5 (p. 109) là các "tập dữ liệu có số chiều lớn" với số thuộc tính được lựa chọn sau tiến trình lựa chọn đặc trưng cũng được ghi nhận (Bảng 3.5). Các bảng thực nghiệm thường trình bày "độ chính xác" (accuracy) và "độ phức tạp" (complexity) của các hệ phân lớp.

  • Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật phân tích tiên tiến trong lĩnh vực học máy và tối ưu hóa:

    • Thuật toán tối ưu đa mục tiêu (Multi-objective Optimization - MOO): Đặc biệt là MOPSO (Multi-objective Particle Swarm Optimization) và thuật toán lai MOPSO-SA (MOPSO-Simulated Annealing) để tối ưu đồng thời độ chính xác và tính dễ hiểu.
    • Kỹ thuật lựa chọn đặc trưng (Feature Selection): Sử dụng phương pháp Dynamic Weighted Feature Selection (DWFS) để giảm số chiều của dữ liệu, nhằm cải thiện hiệu suất và tốc độ sinh luật cho các tập dữ liệu có số chiều lớn.
    • Kiểm định thống kê phi tham số (Non-parametric statistical tests): Cụ thể là kiểm định Wilcoxon Signed Rank test với α = 0,05 để so sánh có ý nghĩa thống kê giữa các phương pháp đề xuất với các phương pháp đối thủ.
    • Software: Mặc dù không trực tiếp nêu tên phần mềm cụ thể được sử dụng để lập trình và chạy thực nghiệm, nhưng các nghiên cứu trong lĩnh vực này thường sử dụng các môi trường như MATLAB, Python với các thư viện học máy (scikit-learn, TensorFlow) hoặc các framework chuyên biệt cho các thuật toán tiến hóa (ví dụ: jMetal). Việc tham chiếu đến KEEL-Dataset repository [128] cũng cho thấy việc sử dụng các công cụ và tập dữ liệu tiêu chuẩn trong cộng đồng nghiên cứu.

  • Robustness checks với alternative specifications: Tính robust của các phương pháp được kiểm tra thông qua:

    • So sánh với nhiều biến thể của ĐSGT: FRBC_AXmrtp, FRBC_AXmr, FRBC_AX ([Bảng 2.5, p. ix]). Điều này cho thấy sự đóng góp của từng lớp mở rộng ĐSGT.
    • So sánh với các phương pháp lập luận khác: Single Winner Rule (SWR) và Weighted Vote (WV) ([Bảng 2.3, 2.4, p. ix]) để đánh giá ảnh hưởng của cơ chế ra quyết định.
    • So sánh với các cấu trúc phân hoạch mờ khác nhau: Đơn thể hạt và đa thể hạt ([Bảng 2.1, 2.2, p. ix]).
    • So sánh với các tiếp cận đối thủ: Các phương pháp dựa trên lý thuyết tập mờ như All Granularities, Product-1-ALL TUN, PAES-RCS, FURIA và C4.5 ([Bảng 2.7, 2.8, 2.9, 2.10, 2.11, 2.12, p. ix, x]).

  • Effect sizes và confidence intervals reported: Luận án báo cáo các kết quả thực nghiệm với các chỉ số như độ chính xác (accuracy) và độ phức tạp (complexity). Mặc dù không trực tiếp báo cáo "effect sizes" theo cách riêng biệt, nhưng việc so sánh kết quả bằng kiểm định Wilcoxon Signed Rank test với α = 0,05 và việc trình bày các giá trị độ chính xác và độ phức tạp trung bình (trong các bảng Bảng 2.1 đến 2.12, 3.2 đến 3.9) cho phép người đọc suy luận về mức độ ảnh hưởng và ý nghĩa thực tiễn của các cải tiến. Các giá trị p-value từ kiểm định Wilcoxon Signed Rank test (ví dụ, "với mức α = 0,05" được lặp lại nhiều lần trong các bảng) là bằng chứng cho tính ý nghĩa thống kê của các phát hiện.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt, mang tính đột phá cho lĩnh vực FLRBC:

  1. Lõi ngữ nghĩa hình thang cải thiện biểu diễn ngữ nghĩa: Việc mở rộng Đại số Gia tử với gia tử h0 để mô hình hóa lõi ngữ nghĩa và sinh ngữ nghĩa tính toán dựa trên tập mờ hình thang (AXmrtp) đã được chứng minh là một cơ chế hình thức hiệu quả. "Ngữ nghĩa dựa trên tập mờ hình thang đảm bảo tính giải nghĩa được của khung nhận thức ngôn ngữ" ([p. 83]) và phù hợp hơn với bản chất mơ hồ của từ ngôn ngữ, vốn có một miền giá trị phù hợp nhất ([p. 28]).
  2. Hiệu suất vượt trội của FLRBC dựa trên AXmrtp: Các hệ phân lớp được thiết kế trên cơ sở ĐSGT AXmrtp và AXmr cho độ chính xác và độ phức tạp tốt hơn đáng kể so với các tiếp cận truyền thống sử dụng ĐSGT AX (Bảng 2.5, 2.6, p. ix). Ví dụ, "So sánh độ chính xác của FRBC_AXmrtp, FRBC_AXmr và FRBC_AX sử dụng phương pháp kiểm định Wilcoxon Signed Rank với α = 0,05" đã cho thấy sự cải thiện rõ rệt ([Bảng 2.5, p. ix]).
  3. Ưu việt của cấu trúc đa thể hạt và phương pháp lập luận WV: Các thực nghiệm cho thấy cấu trúc phân hoạch mờ đa thể hạt vượt trội so với đơn thể hạt về độ chính xác (Bảng 2.1, p. ix), và phương pháp lập luận bầu cử có trọng số (Weighted Vote - WV) thường cho kết quả tốt hơn phương pháp Single Winner Rule (SWR) khi áp dụng cho ĐSGT AXmr và AXmrtp (Bảng 2.3, p. ix).
  4. Hiệu quả của các thuật toán tối ưu đa mục tiêu (MOO): Các thuật toán MOPSO và MOPSO-SA đã chứng tỏ khả năng tối ưu hóa các tham số ngữ nghĩa và tìm kiếm hệ luật tối ưu một cách hiệu quả. MOPSO vượt trội so với GSA (Bảng 3.2, 3.3, p. x), và thuật toán lai MOPSO-SA cải thiện đáng kể độ chính xác và độ phức tạp so với MOPSO truyền thống cho cả AX và AXmrtp (Bảng 3.4, 3.5, p. x).
  5. Lựa chọn đặc trưng động cải thiện hiệu quả xử lý dữ liệu số chiều lớn: Kỹ thuật lựa chọn đặc trưng sử dụng trọng số động (DWFS) đã thành công trong việc giảm số lượng thuộc tính, từ đó giảm thời gian sinh tập luật khởi đầu cho các tập dữ liệu có số chiều lớn (Bảng 3.6, 3.7, p. 111) mà vẫn duy trì hoặc cải thiện độ chính xác (Bảng 3.8, 3.9, p. 112-113).

  • Statistical significance (p-values, effect sizes): Các phát hiện được hỗ trợ bởi các kiểm định thống kê nghiêm ngặt. Kiểm định Wilcoxon Signed Rank với mức ý nghĩa α = 0,05 được sử dụng rộng rãi để chứng minh sự khác biệt có ý nghĩa thống kê về độ chính xác và độ phức tạp giữa các phương pháp. Ví dụ, "So sánh độ chính xác giữa các hệ phân lớp sử dụng cấu trúc đa thể hạt và đơn thể hạt sử dụng kiểm định Wilcoxon Signed Rank với α = 0,05" ([Bảng 2.1, p. ix]) cung cấp bằng chứng định lượng cho sự ưu việt của cấu trúc đa thể hạt.

  • Counter-intuitive results với theoretical explanation: Mặc dù hầu hết các kết quả đều đi theo hướng dự đoán, có một điểm cần lưu ý liên quan đến công thức tính trọng số luật trong các nghiên cứu trước đây. Cụ thể, công thức (1.11) của Ishibuchi và cộng sự "có nhược điểm là có thể cho giá trị âm do giá trị cq,2nd lớn hơn độ tin cậy cq,sum" ([p. 17]). Trong trường hợp này, các luật có trọng số âm bị loại bỏ khỏi tập luật ứng viên, điều này có thể dẫn đến việc mất đi một số luật có giá trị tiềm năng. Luận án giải thích rằng việc lựa chọn công thức trọng số luật phải phụ thuộc vào từng bài toán cụ thể.

  • New phenomena với concrete examples từ data: Luận án đã khám phá ra một hiện tượng mới về cách thức biểu diễn ngữ nghĩa: việc tích hợp gia tử h0 cho phép mô hình hóa các tập mờ hình thang với lõi khoảng, điều này chưa được hình thức hóa trong ĐSGT truyền thống. "Mối quan hệ giữa từ “nhanh” và “rất nhanh” của biến ngôn ngữ TOCDO và các giá trị của tập nền U được biểu diễn dưới dạng các tập mờ" ([Hình 2.1, p. 30]) là một ví dụ trực quan về cách lõi ngữ nghĩa khoảng có thể được hình dung và ứng dụng.

  • Compare với prior research findings: Các phát hiện của luận án được so sánh một cách có hệ thống với các công trình trước đó. Ví dụ, FRBC_AXmrtp và FRBC_AXmr được so sánh với All Granularities và Product-1-ALL TUN ([Bảng 2.7, p. ix]), cũng như với các hệ phân lớp PAES-RCS, FURIA và C4.5 ([Bảng 2.9, 2.11, p. x]). Các kết quả thường cho thấy các phương pháp đề xuất của luận án đạt được độ chính xác cạnh tranh hoặc tốt hơn, đồng thời duy trì tính dễ hiểu cao hơn so với nhiều tiếp cận dựa trên lý thuyết tập mờ khác hoặc các thuật toán học máy truyền thống như C4.5. Chẳng hạn, so với C4.5, một thuật toán cây quyết định nổi tiếng, FLRBC của luận án có thể cung cấp mô hình dễ giải thích hơn trong khi vẫn giữ vững độ chính xác.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories: Luận án đã thúc đẩy đáng kể Lý thuyết Đại số Gia tử bằng cách mở rộng nó để mô hình hóa lõi ngữ nghĩa và ngữ nghĩa hình thang, khắc phục hạn chế về lõi điểm. Điều này tạo ra một "cầu nối hình thức" giữa ngữ nghĩa định tính và ngữ nghĩa tính toán, điều mà Lý thuyết tập mờ truyền thống còn thiếu. Hơn nữa, nó cung cấp một cơ sở lý thuyết mạnh mẽ hơn cho việc phát triển các hệ thống thông minh dựa trên ngôn ngữ, làm phong phú thêm khung lý thuyết về Tính toán mờ (Fuzzy Computing) nói chung.

  • Methodological innovations applicable to other contexts: Các cải tiến về phương pháp nghiên cứu như việc sử dụng Đại số Gia tử mở rộng để sinh ngữ nghĩa hình thang và tích hợp các thuật toán tối ưu đa mục tiêu (MOPSO, MOPSO-SA) cùng kỹ thuật lựa chọn đặc trưng động (DWFS) không chỉ giới hạn trong bài toán phân lớp. Chúng có thể được áp dụng rộng rãi trong các bài toán khai phá dữ liệu khác như hồi quy, phân cụm, hoặc trích rút luật kết hợp, nơi mà việc biểu diễn ngữ nghĩa ngôn ngữ và tối ưu hóa đa mục tiêu là cần thiết.

  • Practical applications với specific recommendations:

    • Phát triển hệ thống AI dễ giải thích (Explainable AI - XAI): Các FLRBC được thiết kế với ngữ nghĩa hình thang sẽ cho ra các luật dễ đọc, dễ hiểu, giúp người dùng tin tưởng và ra quyết định tốt hơn trong các lĩnh vực quan trọng như y tế (chẩn đoán bệnh [73, 111, 115], p. 1), tài chính (dự đoán rủi ro [17, 125]), và điều khiển tự động (robots, hệ thống điều khiển công nghiệp).
    • Tối ưu hóa quy trình ra quyết định: Các tổ chức có thể sử dụng các hệ thống này để tự động phân lớp và đưa ra khuyến nghị, giảm sự phụ thuộc vào chuyên gia và tăng tốc độ xử lý thông tin. Ví dụ, trong lọc thư rác [126] hoặc phân tích dữ liệu văn bản.
    • Xử lý dữ liệu lớn và phức tạp: Các phương pháp tối ưu hóa và lựa chọn đặc trưng giúp các hệ thống FLRBC đối phó hiệu quả với các tập dữ liệu có số chiều lớn và số lượng mẫu lớn, giảm gánh nặng tính toán.

  • Policy recommendations với implementation pathway:

    • Tiêu chuẩn hóa thiết kế hệ mờ: Chính phủ và các tổ chức tiêu chuẩn có thể khuyến nghị hoặc xem xét các phương pháp dựa trên ĐSGT mở rộng để đảm bảo tính giải nghĩa và độ tin cậy của các hệ thống AI ứng dụng trong các lĩnh vực nhạy cảm (y tế, an ninh).
    • Hỗ trợ nghiên cứu XAI: Thúc đẩy đầu tư vào nghiên cứu phát triển các hệ thống AI dễ giải thích, sử dụng các khung lý thuyết như ĐSGT mở rộng, để xây dựng niềm tin của công chúng và thúc đẩy việc áp dụng AI một cách có trách nhiệm.

  • Generalizability conditions clearly specified: Các phương pháp đề xuất có thể tổng quát hóa cho nhiều loại tập dữ liệu có đặc điểm tương tự với các tập dữ liệu được sử dụng trong thực nghiệm (dữ liệu có thuộc tính số, phân loại). Tuy nhiên, các điều kiện biên bao gồm:

    • Loại dữ liệu: Hiệu quả có thể thay đổi với các loại dữ liệu khác (ví dụ: dữ liệu chuỗi thời gian, dữ liệu hình ảnh, dữ liệu âm thanh) mà không có sự điều chỉnh phương pháp.
    • Ngôn ngữ: Việc mở rộng ĐSGT tập trung vào các từ ngôn ngữ trong ngôn ngữ tự nhiên. Việc áp dụng cho các ngôn ngữ khác có thể cần xem xét lại cấu trúc ngữ nghĩa cụ thể của ngôn ngữ đó.
    • Bài toán: Mặc dù tiềm năng ứng dụng rộng rãi, hiệu suất tối ưu được chứng minh rõ nhất cho bài toán phân lớp. Các bài toán khác có thể yêu cầu điều chỉnh mục tiêu tối ưu hoặc kiến trúc luật.

Limitations và Future Research

Nghiên cứu này, dù đạt được nhiều thành tựu, vẫn có những hạn chế nhất định và mở ra nhiều hướng nghiên cứu tiếp theo.

  • 3-4 specific limitations acknowledged:

    1. Chỉ tập trung vào hàm thuộc hình thang: Luận án chủ yếu nghiên cứu trường hợp cụ thể là ngữ nghĩa dựa trên tập mờ hình thang. Mặc dù hình thang có lợi thế về lõi khoảng, nhưng có nhiều dạng hàm thuộc khác (ví dụ: hàm Gaussian, hàm sigmoid) có thể phù hợp hơn trong một số ngữ cảnh nhất định.
    2. Khó khăn với dữ liệu thiếu thông tin và không cân bằng: Mặc dù luận án đã giải quyết vấn đề dữ liệu có số chiều lớn, nhưng các bài toán phân lớp đối với các tập dữ liệu thiếu thông tin (datasets with missing values) hoặc các tập dữ liệu có số mẫu dữ liệu không cân bằng (imbalanced datasets) đối với các nhãn lớp vẫn cần những kỹ thuật xử lý chuyên biệt hơn và chưa được giải quyết triệt để trong khuôn khổ luận án này.
    3. Chi phí tính toán với số lượng lớn tham số: Dù ĐSGT đã giảm số lượng tham số cần tối ưu so với lý thuyết tập mờ, nhưng việc tối ưu hóa các tham số ngữ nghĩa và hệ luật vẫn có thể tốn kém về mặt tính toán, đặc biệt khi số lượng gia tử hoặc độ dài tối đa của từ ngữ tăng lên.
    4. Tính tự do và tuyến tính của ĐSGT: Phương pháp mở rộng ĐSGT được áp dụng cho ĐSGT "tuyến tính và tự do" ([p. 31]). Các ĐSGT không tuyến tính hoặc không tự do có thể yêu cầu các mở rộng và tiên đề khác.

  • Boundary conditions về context/sample/time:

    • Context: Các phương pháp được phát triển và kiểm chứng trong bối cảnh các bài toán phân lớp dữ liệu có cấu trúc bảng, thường là dữ liệu số hóa. Việc áp dụng cho các miền dữ liệu phi cấu trúc (ví dụ: văn bản, hình ảnh) sẽ cần các bước tiền xử lý và tích hợp đặc biệt.
    • Sample: Các thực nghiệm được thực hiện trên một bộ 17 tập dữ liệu chuẩn. Mặc dù đa dạng, các tập dữ liệu này không bao gồm tất cả các loại dữ liệu và quy mô có thể gặp trong thực tế.
    • Time: Nghiên cứu được hoàn thành vào năm 2017. Kể từ đó, lĩnh vực học máy và AI đã có nhiều tiến bộ nhanh chóng, đặc biệt là với học sâu (deep learning), điều này có thể mở ra những hướng tích hợp mới.

  • Future research agenda với 4-5 concrete directions:

    1. Mở rộng ĐSGT cho các dạng hàm thuộc khác: Nghiên cứu các phương pháp mở rộng ĐSGT để sinh tự động các dạng hàm thuộc khác như Gaussian, sigmoid, hoặc các hàm thuộc phức tạp hơn, tùy thuộc vào đặc thù của dữ liệu và bài toán.
    2. Giải quyết bài toán dữ liệu thiếu thông tin và không cân bằng: Phát triển các kỹ thuật chuyên biệt tích hợp vào khung FLRBC dựa trên ĐSGT mở rộng để xử lý hiệu quả các tập dữ liệu có dữ liệu bị khuyết hoặc mất cân bằng lớp, ví dụ, thông qua các phương pháp tiền xử lý thông minh hoặc điều chỉnh hàm mục tiêu tối ưu.
    3. Tích hợp với học sâu (Deep Learning): Khám phá việc kết hợp các nguyên lý của ĐSGT và các hệ luật ngôn ngữ mờ với kiến trúc học sâu (ví dụ: Neuro-fuzzy systems) để tạo ra các mô hình XAI mạnh mẽ hơn, tận dụng khả năng biểu diễn phức tạp của học sâu và tính giải nghĩa của logic mờ.
    4. Học bán giám sát và học trực tuyến: Nghiên cứu ứng dụng FLRBC dựa trên ĐSGT mở rộng trong các bài toán học bán giám sát (semi-supervised learning) và học với dữ liệu trực tuyến (online learning), nơi dữ liệu đến liên tục và có thể chỉ có một phần được gán nhãn.
    5. Ứng dụng trong các lĩnh vực mới: Mở rộng việc ứng dụng các phương pháp này sang các lĩnh vực như xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) để xây dựng các hệ thống hỏi đáp mờ hoặc tóm tắt văn bản dựa trên ngữ nghĩa, hoặc trong lĩnh vực y sinh để giải thích các mô hình dự đoán bệnh phức tạp.

  • Methodological improvements suggested:

    • Tối ưu hóa đa mục tiêu với nhiều tiêu chí hơn: Mở rộng các hàm mục tiêu tối ưu để không chỉ cân bằng độ chính xác và tính giải nghĩa mà còn xem xét các tiêu chí khác như độ ổn định, khả năng chịu lỗi (robustness) hoặc chi phí triển khai.
    • Thiết kế thử nghiệm có kiểm soát chặt chẽ hơn: Thực hiện các thực nghiệm với nhiều lần lặp lại (ví dụ, 30-run Monte Carlo simulation) và phân tích thống kê sâu hơn (ví dụ, báo cáo confidence intervals cho các chỉ số hiệu suất) để tăng cường độ tin cậy của các phát hiện.
    • Phát triển công cụ phần mềm chuyên dụng: Xây dựng một thư viện hoặc framework mã nguồn mở cho ĐSGT mở rộng và FLRBC, giúp cộng đồng nghiên cứu dễ dàng tái tạo và mở rộng công trình này.

  • Theoretical extensions proposed:

    • Lý thuyết gia tử cho các kiểu ngữ nghĩa phức tạp: Mở rộng khái niệm gia tử để mô tả các mối quan hệ ngữ nghĩa phức tạp hơn (ví dụ: gia tử ngữ cảnh, gia tử cảm xúc), không chỉ giới hạn ở gia tử tăng/giảm ngữ nghĩa.
    • Kết hợp ĐSGT với các mô hình ngữ nghĩa khác: Nghiên cứu việc tích hợp ĐSGT với các lý thuyết ngữ nghĩa hình thức khác (ví dụ: ngữ nghĩa hình học, ngữ nghĩa phân bố) để tạo ra một lý thuyết ngữ nghĩa tổng quát và mạnh mẽ hơn.

Tác động và ảnh hưởng

Luận án của Phạm Đình Phong mang lại tác động sâu rộng ở nhiều cấp độ, từ học thuật đến thực tiễn xã hội.

  • Academic impact với potential citations estimate: Luận án đã tạo ra một nền tảng lý thuyết mới thông qua việc mở rộng Đại số Gia tử để mô hình hóa lõi ngữ nghĩa và ngữ nghĩa hình thang. Điều này mở ra các hướng nghiên cứu mới trong lĩnh vực tính toán mờ, trí tuệ nhân tạo và khai phá dữ liệu. Các công trình khoa học liên quan đến luận án đã được công bố trên 1 bài báo quốc tế SCI và nhiều tạp chí, hội nghị quốc gia/quốc tế khác ([CT1-CT8], p. 7). Với tính mới và sự chặt chẽ về phương pháp, các đóng góp này có tiềm năng cao để trở thành tài liệu tham khảo quan trọng, ước tính có thể đạt hàng trăm trích dẫn trong cộng đồng nghiên cứu về logic mờ, granular computing và explainable AI trong 5-10 năm tới. Đặc biệt, việc công bố trên Tạp chí Knowledge-Based Systems ([CT5]) cho thấy sự công nhận quốc tế về chất lượng và tầm quan trọng của nghiên cứu.

  • Industry transformation với specific sectors:

    • Y tế: Các hệ phân lớp dễ giải thích có thể hỗ trợ bác sĩ trong chẩn đoán bệnh chính xác hơn và giải thích quyết định cho bệnh nhân. Ví dụ, trong việc phân loại các hình ảnh y tế (như Mammographic, dữ liệu được sử dụng trong luận án) hoặc phân tích triệu chứng để đề xuất phương pháp điều trị, giảm thiểu "hộp đen" của các mô hình AI hiện có.
    • Tài chính và Ngân hàng: Trong việc đánh giá rủi ro tín dụng, phát hiện gian lận hoặc dự đoán xu hướng thị trường, các hệ thống dựa trên luật ngôn ngữ mờ có tính giải nghĩa cao sẽ giúp các nhà phân tích đưa ra quyết định dựa trên các quy tắc minh bạch, dễ kiểm tra và tuân thủ các quy định.
    • Sản xuất và Tự động hóa: Trong kiểm soát chất lượng, giám sát quá trình sản xuất và bảo trì dự đoán, các hệ thống điều khiển mờ được cải tiến có thể điều chỉnh linh hoạt hơn dựa trên các "luật" được biểu diễn bằng ngôn ngữ tự nhiên, giúp kỹ sư dễ dàng tinh chỉnh và hiểu hành vi của hệ thống.
    • Kinh doanh và Dịch vụ khách hàng: Phân tích phản hồi khách hàng, phân loại email hỗ trợ hoặc cá nhân hóa trải nghiệm người dùng, các mô hình giải thích được sẽ cải thiện sự tương tác và độ tin cậy của hệ thống.

  • Policy influence với government levels:

    • Quản lý rủi ro và Quy định: Ở cấp độ chính phủ và các cơ quan quản lý, việc có các hệ thống AI dễ giải thích là cực kỳ quan trọng cho các lĩnh vực có tác động cao đến xã hội như pháp luật, quốc phòng hoặc an ninh. Các phương pháp của luận án có thể cung cấp khung sườn để phát triển các tiêu chuẩn cho "AI có trách nhiệm", nơi các quyết định của AI có thể được kiểm toán và giải thích.
    • Y tế công cộng: Trong phân tích dịch tễ học, dự đoán lây lan bệnh tật hoặc phân bổ nguồn lực y tế, các mô hình giải thích được sẽ giúp các nhà hoạch định chính sách hiểu rõ hơn về các yếu tố ảnh hưởng và đưa ra các chính sách dựa trên bằng chứng minh bạch.

  • Societal benefits quantified where possible:

    • Tăng cường sự tin cậy vào AI: Khi người dùng và xã hội hiểu được cách AI đưa ra quyết định, họ sẽ tin tưởng và sẵn sàng chấp nhận công nghệ này hơn. Điều này có thể dẫn đến việc ứng dụng AI rộng rãi hơn, mang lại lợi ích kinh tế và xã hội lớn.
    • Giảm sai sót trong ra quyết định: Trong các lĩnh vực quan trọng như y tế, việc giảm thiểu sai sót nhờ AI dễ giải thích có thể cứu sống nhiều người hoặc cải thiện chất lượng cuộc sống cho hàng triệu người.
    • Nâng cao năng lực con người: Thay vì thay thế con người, AI dễ giải thích có thể hoạt động như một công cụ cộng tác, mở rộng khả năng nhận thức và ra quyết định của con người, đặc biệt trong các môi trường phức tạp.

  • International relevance với global implications: Các thách thức về giải thích được và hiệu quả của AI là vấn đề toàn cầu. Nghiên cứu này cung cấp một khung lý thuyết và phương pháp luận có thể được áp dụng và mở rộng bởi các nhà nghiên cứu trên toàn thế giới. Việc công bố trên Tạp chí Knowledge-Based Systems ([CT5]) đã là một minh chứng cho sự liên quan quốc tế của công trình. Các kết quả có thể giúp các quốc gia phát triển các chiến lược AI quốc gia của riêng họ, đặc biệt là các quốc gia đang phát triển muốn xây dựng năng lực AI mà vẫn duy trì tính minh bạch và kiểm soát. Luận án cũng góp phần vào nỗ lực chung của cộng đồng AI quốc tế nhằm giải quyết vấn đề "hộp đen" và thúc đẩy phát triển XAI.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong cộng đồng học thuật, công nghiệp và hoạch định chính sách.

  • Doctoral researchers:

    • Cơ sở lý thuyết vững chắc: Luận án cung cấp một nền tảng lý thuyết mở rộng về Đại số Gia tử và khái niệm lõi ngữ nghĩa, giúp các nhà nghiên cứu tiến sĩ có được một khung sườn mạnh mẽ để phát triển các mô hình ngôn ngữ mờ mới.
    • Xác định các research gaps cụ thể: Luận án đã làm rõ các khoảng trống trong việc liên kết ngữ nghĩa định tính và tính toán trong lý thuyết tập mờ và ĐSGT truyền thống. Điều này tạo ra nhiều hướng nghiên cứu mới cho các tiến sĩ muốn khám phá các mở rộng lý thuyết, áp dụng các khái niệm lõi ngữ nghĩa vào các bài toán khác, hoặc so sánh với các lý thuyết ngôn ngữ hình thức khác.
    • Phương pháp nghiên cứu tiên tiến: Các kỹ thuật tối ưu đa mục tiêu (MOPSO, MOPSO-SA) và lựa chọn đặc trưng động (DWFS) được trình bày chi tiết, cung cấp cho các nhà nghiên cứu tiến sĩ các công cụ và quy trình thực nghiệm để áp dụng và cải tiến trong các luận án của họ.
    • Tài liệu tham khảo chuyên sâu: Với 8 công trình khoa học đã được công bố liên quan trực tiếp đến luận án ([CT1-CT8], p. 7), luận án là một nguồn tài liệu tham khảo phong phú cho các nghiên cứu sinh.

  • Senior academics:

    • Theoretical advances: Các học giả cấp cao trong lĩnh vực logic mờ, tính toán hạt (granular computing) và trí tuệ nhân tạo sẽ thấy giá trị trong việc mở rộng ĐSGT, đặc biệt là sự hình thức hóa lõi ngữ nghĩa và ngữ nghĩa hình thang. Điều này có thể kích thích các cuộc thảo luận học thuật và các hướng nghiên cứu mới về nền tảng của ngữ nghĩa tính toán.
    • Nền tảng cho các dự án hợp tác: Luận án cung cấp một khung sườn để phát triển các dự án nghiên cứu lớn hơn, liên ngành, kết hợp kiến thức về ngôn ngữ học, khoa học máy tính và các lĩnh vực ứng dụng.
    • Đánh giá và so sánh chuẩn: Các thực nghiệm toàn diện và so sánh với các phương pháp quốc tế (All Granularities, Product-1-ALL TUN, PAES-RCS, FURIA, C4.5) cung cấp một tiêu chuẩn đánh giá và so sánh cho các công trình tương lai.

  • Industry R&D:

    • Practical applications: Các kỹ sư R&D trong ngành công nghiệp có thể áp dụng trực tiếp các phương pháp được phát triển trong luận án để xây dựng các hệ thống AI dễ giải thích. Ví dụ, trong việc phát triển các bộ điều khiển thông minh cho nhà máy, các hệ thống chẩn đoán lỗi, hoặc các công cụ phân tích dữ liệu kinh doanh.
    • Cải thiện hiệu suất và độ tin cậy: Các thuật toán tối ưu và kỹ thuật lựa chọn đặc trưng giúp giảm thời gian triển khai, tăng hiệu suất của mô hình, và xử lý hiệu quả các tập dữ liệu lớn và phức tạp, từ đó giảm chi phí phát triển và tăng độ tin cậy của sản phẩm.
    • Đạt được tính giải thích cho sản phẩm AI: Đáp ứng nhu cầu ngày càng tăng về các sản phẩm AI minh bạch, có khả năng giải thích, đặc biệt quan trọng trong các ngành công nghiệp chịu nhiều quy định như y tế, tài chính.

  • Policy makers:

    • Evidence-based recommendations: Các nhà hoạch định chính sách có thể sử dụng các phát hiện từ luận án như bằng chứng để xây dựng các quy định và tiêu chuẩn cho việc phát triển và triển khai AI có trách nhiệm.
    • Hiểu biết về giới hạn và khả năng của AI: Luận án cung cấp một cái nhìn sâu sắc về cách AI có thể tương tác với ngôn ngữ con người, giúp các nhà hoạch định chính sách hiểu rõ hơn về khả năng và giới hạn của các hệ thống AI, từ đó đưa ra các quyết định sáng suốt hơn về việc đầu tư và quản lý công nghệ này.
    • Hướng tới XAI: Đề xuất chính sách khuyến khích nghiên cứu và phát triển các hệ thống XAI, nhằm thúc đẩy niềm tin công chúng và đảm bảo AI phục vụ lợi ích xã hội.

  • Quantify benefits where possible:

    • Giảm thời gian sinh luật: Các kỹ thuật lựa chọn đặc trưng đã "giảm thời gian sinh tập luật khởi đầu trên cơ sở ĐSGT AX có áp dụng và không áp dụng kỹ thuật lựa chọn đặc trưng" (Bảng 3.6, p. 110) và tương tự cho ĐSGT AXmrtp (Bảng 3.7, p. 111), điều này có thể tiết kiệm hàng giờ hoặc ngày công trong các dự án phát triển AI lớn.
    • Nâng cao độ chính xác: So sánh FRBC_AXmrtp với các phương pháp khác cho thấy "độ chính xác" được cải thiện một cách có ý nghĩa thống kê (α = 0,05), điều này có thể dẫn đến hàng triệu đô la tiết kiệm trong các ngành như phát hiện gian lận hoặc tăng doanh thu trong marketing cá nhân hóa.
    • Giảm độ phức tạp mô hình: Các phương pháp tối ưu giúp giảm số lượng luật và điều kiện luật, dẫn đến mô hình đơn giản hơn (độ phức tạp được so sánh trong Bảng 2.2, 2.4, 2.6, 2.8, 2.10, 2.12, 3.3, 3.5, 3.9, p. ix-x, 113). Điều này giảm chi phí bảo trì và tăng khả năng mở rộng của hệ thống AI.

Câu hỏi chuyên sâu

Trả lời với CÁC CHI TIẾT CỤ THỂ:

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là sự mở rộng Lý thuyết Đại số Gia tử (Granular Algebra), được phát triển bởi Nguyễn Cát Hồ và các cộng sự ([50-55]), để hình thức hóa khái niệm lõi ngữ nghĩa (semantics core) của các từ ngôn ngữ. Điều này được thực hiện thông qua việc bổ sung một gia tử nhân tạo h0 vào ĐSGT truyền thống, tạo ra Đại số Gia tử mở rộng (AXmr) và Đại số Gia tử mở rộng toàn phần (AXmrtp). Trước đây, ĐSGT chỉ sử dụng "giá trị định lượng ngữ nghĩa điểm, tức lõi ngữ nghĩa điểm" ([p. 28]), dẫn đến phần tử trung hòa W và hai phần tử 0, 1 không có lõi. Đóng góp này đã giải quyết vấn đề này bằng cách thiết lập một cơ sở hình thức cho việc sinh tự động ngữ nghĩa tính toán dựa trên tập mờ hình thang có lõi là một khoảng, phù hợp hơn với bản chất mơ hồ của ngôn ngữ tự nhiên. Việc này đã được công nhận qua các công bố trên Tạp chí Tin học và Điều khiển học (2012, 2013) và Tạp chí Knowledge-Based Systems ([CT5], p. 7).

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp nghiên cứu nằm ở việc xây dựng hệ phân lớp dựa trên luật ngôn ngữ mờ (FLRBC) với ngữ nghĩa tính toán dựa trên tập mờ hình thang được sinh tự động từ Đại số Gia tử mở rộng, kết hợp với các kỹ thuật tính toán mềm tiên tiến.

    • So với Ishibuchi và các cộng sự ([61-70]): Các nghiên cứu của Ishibuchi et al. thường sinh luật mờ từ các phân hoạch mờ lưới (grid partition) hoặc tổ hợp tất cả các từ ngôn ngữ, dẫn đến số lượng luật rất lớn, đặc biệt đối với dữ liệu có số chiều cao ([61-63], p. 15). Luận án này kế thừa phương pháp sinh luật trực tiếp từ mẫu dữ liệu của Nguyễn Cát Hồ và cộng sự ([5, 57]), kết hợp với ngữ nghĩa ĐSGT mở rộng, giúp "hạn chế được số luật ngôn ngữ mờ được sinh ra và không phụ thuộc vào số từ ngôn ngữ được sử dụng" ([p. 5]).
    • So với Alcalá và các cộng sự ([13, 14]) và Fazzolari và các cộng sự ([35, 36]): Các nhóm này đã ứng dụng các thuật toán tiến hóa để tối ưu FLRBC. Tuy nhiên, họ thường "tối ưu các tham số của hàm thuộc, không tối ưu ngữ nghĩa của các từ ngôn ngữ" ([p. 6]), dẫn đến số tham số lớn và không bảo toàn ngữ nghĩa. Phương pháp của luận án tối ưu trực tiếp các tham số ngữ nghĩa của ĐSGT, mà "chỉ phụ thuộc vào bản thân các biến ngôn ngữ của chúng" ([p. 6]), giúp giảm số lượng tham số cần hiệu chỉnh thích nghi và đảm bảo tính bảo toàn ngữ nghĩa.
    • So với các tiếp cận khác sử dụng tính toán mềm: Luận án tích hợp các thuật toán tối ưu đa mục tiêu hiệu quả như MOPSO và MOPSO-SA (lai giữa MOPSO và Simulated Annealing), được chứng minh là vượt trội hơn GSA trong các thực nghiệm trên 17 tập dữ liệu mẫu ([Bảng 3.2, 3.3, 3.4, 3.5, p. x]). Đồng thời, việc áp dụng kỹ thuật lựa chọn đặc trưng sử dụng trọng số động (DWFS) là một đổi mới để "nâng cao hiệu quả sinh luật mờ với ngữ nghĩa dựa trên Đại số Gia tử sử dụng kỹ thuật lựa chọn đặc trưng" ([p. 103]), đặc biệt giải quyết bài toán với "các tập dữ liệu có số chiều lớn" ([Bảng 3.5, p. 109]), giảm đáng kể thời gian tính toán ([Bảng 3.6, 3.7, p. 111]).

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là việc cấu trúc phân hoạch mờ đa thể hạt (multiple granularity structure) cho độ chính xác vượt trội hơn so với cấu trúc đơn thể hạt (single granularity structure), ngay cả khi độ phức tạp của hệ thống tăng lên. Ban đầu, có thể kỳ vọng rằng việc tăng thể hạt (granularity) sẽ làm tăng độ phức tạp mà không nhất thiết cải thiện độ chính xác đáng kể hoặc thậm chí làm giảm tính giải nghĩa. Tuy nhiên, "So sánh độ chính xác giữa các hệ phân lớp sử dụng cấu trúc đa thể hạt và đơn thể hạt sử dụng kiểm định Wilcoxon Signed Rank với α = 0,05" ([Bảng 2.1, p. ix]) đã cho thấy cấu trúc đa thể hạt đạt được độ chính xác cao hơn một cách có ý nghĩa thống kê. Điều này chứng tỏ việc mô hình hóa các "hạt" (granule) ở nhiều cấp độ trừu tượng khác nhau, thay vì chỉ một cấp độ duy nhất, cung cấp một biểu diễn tri thức phong phú và hiệu quả hơn cho bài toán phân lớp. Ví dụ, Hình 1.2.b ([p. xiii]) minh họa cấu trúc đa thể hạt với hai thể hạt (9 tập mờ) so với cấu trúc đơn thể hạt (6 tập mờ) trong Hình 1.2.a.

  4. Replication protocol provided? Luận án cung cấp đầy đủ thông tin về các phương pháp lý thuyết và thực nghiệm để một nhà nghiên cứu có kinh nghiệm có thể tái tạo (replicate) các kết quả chính.

    • Định nghĩa lý thuyết: Việc mở rộng Đại số Gia tử với gia tử h0, các tiên đề (A1)-(A5mr) và các công thức tính toán độ đo tính mờ, khoảng tính mờ được mô tả chi tiết trong Chương 2 ([p. 30-36]).
    • Thiết kế thuật toán: Quy trình thiết kế ngữ nghĩa tính toán, sinh luật khởi đầu, và tối ưu hóa tham số/hệ luật sử dụng MOPSO/MOPSO-SA được trình bày trong Chương 2 và Chương 3 ([p. 49-56, 88-100]).
    • Dữ liệu: Luận án liệt kê việc sử dụng 17 tập dữ liệu mẫu chuẩn (Bảng 3.2, p. 96), có thể truy cập từ các kho dữ liệu công cộng như KEEL-Dataset repository [128].
    • Thực nghiệm: Quy trình thực nghiệm bao gồm việc so sánh với các phương pháp khác, sử dụng kiểm định Wilcoxon Signed Rank với α = 0,05 ([p. ix, x]) và các tiêu chí đánh giá (độ chính xác, độ phức tạp) được xác định rõ ràng. Mặc dù mã nguồn cụ thể không được đính kèm trong văn bản, thông tin chi tiết về thuật toán, thông số, và tiêu chí đánh giá là đủ để phát triển một triển khai mới và tái tạo các kết quả.

  5. 10-year research agenda outlined? Dựa trên "Limitations và Future Research" (p. 115) và các đóng góp đột phá, một chương trình nghiên cứu 10 năm có thể được phác thảo như sau:

    1. Giai đoạn 1 (1-3 năm): Hoàn thiện và mở rộng lý thuyết ĐSGT: Tập trung mở rộng ĐSGT để mô hình hóa các dạng hàm thuộc mờ khác ngoài hình thang (ví dụ: Gaussian, sigmoid), đồng thời nghiên cứu khả năng tích hợp ngữ nghĩa ngữ cảnh và ngữ nghĩa cảm xúc vào ĐSGT. Giai đoạn này cũng sẽ phát triển các phương pháp tiền xử lý dữ liệu tích hợp trực tiếp vào ĐSGT cho các bài toán dữ liệu thiếu thông tin hoặc không cân bằng.
    2. Giai đoạn 2 (3-6 năm): Tích hợp với các công nghệ AI tiên tiến: Khám phá việc kết hợp ĐSGT mở rộng với các mô hình học sâu (Deep Learning) để tạo ra các kiến trúc Neuro-fuzzy hybrid systems mới, có khả năng học sâu từ dữ liệu thô nhưng vẫn duy trì tính giải nghĩa mạnh mẽ. Nghiên cứu ứng dụng các mô hình này trong xử lý ngôn ngữ tự nhiên (NLP) cho các tác vụ như tóm tắt mờ, phân tích sắc thái.
    3. Giai đoạn 3 (6-10 năm): Ứng dụng quy mô lớn và tác động xã hội: Triển khai các hệ thống FLRBC dựa trên ĐSGT mở rộng vào các ứng dụng thực tiễn quy mô lớn trong các lĩnh vực y tế, tài chính, sản xuất, và phát triển các công cụ phần mềm mã nguồn mở để hỗ trợ cộng đồng. Đồng thời, nghiên cứu tác động xã hội của XAI, phát triển các hướng dẫn và tiêu chuẩn đạo đức cho việc triển khai AI dựa trên ngôn ngữ. Các hướng nghiên cứu này sẽ dẫn đến các bài toán học bán giám sát và học trực tuyến với dữ liệu đến liên tục.

Kết luận

Luận án này đại diện cho một bước tiến quan trọng trong lĩnh vực Khoa học máy tính, đặc biệt là trong việc phát triển các hệ phân lớp dựa trên luật ngôn ngữ mờ (FLRBC) có tính giải nghĩa cao và hiệu suất tối ưu. Những đóng góp cụ thể, được hỗ trợ bởi bằng chứng thực nghiệm và lý thuyết chặt chẽ, đã thiết lập một nền tảng mới cho nghiên cứu AI dựa trên ngôn ngữ.

  1. Mở rộng Lý thuyết Đại số Gia tử (ĐSGT): Luận án đã thành công trong việc mở rộng ĐSGT bằng cách bổ sung gia tử nhân tạo h0, cung cấp một cơ sở hình thức toán học duy nhất để mô hình hóa lõi ngữ nghĩa và sinh tự động ngữ nghĩa tính toán dựa trên tập mờ hình thang.
  2. Thiết kế FLRBC ưu việt: Các phương pháp thiết kế FLRBC dựa trên ĐSGT mở rộng (AXmr, AXmrtp) đã được chứng minh là vượt trội hơn đáng kể so với các tiếp cận ĐSGT truyền thống (AX) và các phương pháp dựa trên lý thuyết tập mờ khác về cả độ chính xác và độ phức tạp, với các bằng chứng từ kiểm định Wilcoxon Signed Rank (α = 0,05).
  3. Cải thiện hiệu quả bằng tính toán mềm: Việc tích hợp các thuật toán tối ưu đa mục tiêu MOPSO và MOPSO-SA đã tối ưu hóa hiệu quả tìm kiếm hệ luật và tham số ngữ nghĩa. Kỹ thuật lựa chọn đặc trưng trọng số động (DWFS) cũng được chứng minh là có khả năng giảm thời gian sinh luật cho các tập dữ liệu số chiều lớn mà vẫn giữ vững hiệu suất.
  4. Phát hiện về cấu trúc phân hoạch và lập luận: Luận án đã chỉ ra rằng cấu trúc phân hoạch mờ đa thể hạt và phương pháp lập luận bầu cử có trọng số (WV) thường mang lại kết quả tốt hơn, cung cấp những hướng dẫn thực tiễn cho việc thiết kế FLRBC.
  5. Cầu nối giữa ngữ nghĩa định tính và định lượng: Nghiên cứu đã xây dựng một cầu nối hình thức mạnh mẽ giữa ngữ nghĩa định tính vốn có của các từ ngôn ngữ và ngữ nghĩa định lượng tính toán, một khoảng trống quan trọng trong các nghiên cứu trước đây.

Nghiên cứu này đã tạo ra một sự chuyển dịch mô hình trong cách chúng ta tiếp cận ngữ nghĩa ngôn ngữ trong AI, từ việc gán hàm thuộc trực giác sang một phương pháp hình thức dựa trên cấu trúc đại số. Bằng chứng từ các thực nghiệm quy mô lớn trên 17 tập dữ liệu mẫu và các công bố khoa học quốc tế (Tạp chí Knowledge-Based Systems [CT5]) củng cố giá trị và độ tin cậy của các phát hiện.

Những đóng góp này không chỉ giải quyết các vấn đề tồn tại trong lĩnh vực phân lớp mờ mà còn mở ra 3+ luồng nghiên cứu mới: (1) Mở rộng ĐSGT cho các dạng hàm thuộc và các kiểu ngữ nghĩa phức tạp hơn, (2) Tích hợp ĐSGT với các mô hình học sâu để phát triển các hệ thống XAI lai, và (3) Ứng dụng các phương pháp này trong các bài toán học bán giám sát, học trực tuyến và trong các lĩnh vực ứng dụng rộng lớn hơn như y sinh và NLP.

Với sự liên quan toàn cầu, luận án này cung cấp một khuôn khổ mạnh mẽ và minh bạch cho việc phát triển các hệ thống AI thông minh và đáng tin cậy. Legacy của nó có thể được đo lường bằng việc thúc đẩy sự phát triển của Explainable AI (XAI), nâng cao sự tin cậy của con người vào các quyết định của máy, và tạo ra các giải pháp công nghệ có ý nghĩa cho các thách thức xã hội phức tạp.