Tổng quan về luận án

Luận án này giải quyết một thách thức cấp thiết trong kỷ nguyên Dữ liệu lớn: bài toán rút gọn thuộc tính (Attribute Reduction) trên các bảng quyết định không đầy đủ (Incomplete Decision Tables – IDTs) có dữ liệu thay đổi (Changing Data). Trong bối cảnh cách mạng công nghiệp 4.0, các tập dữ liệu ngày càng gia tăng về dung lượng, phức tạp và thường xuyên biến động, đòi hỏi các mô hình khai phá dữ liệu phải có khả năng xử lý hiệu quả và kịp thời. Rút gọn thuộc tính là một bước tiền xử lý dữ liệu quan trọng, giúp loại bỏ các thuộc tính dư thừa nhằm nâng cao hiệu suất và độ chính xác của các mô hình phân lớp.

Research Gap Cụ thể:

Mặc dù lý thuyết tập thô (Rough Set Theory) của Z. Pawlak [61] và mô hình tập thô dung sai (Tolerance Rough Set) của M. Kryszkiewicz [38] đã cung cấp nền tảng vững chắc cho bài toán rút gọn thuộc tính, vẫn tồn tại những khoảng trống nghiên cứu đáng kể, đặc biệt trong các kịch bản dữ liệu động. Các phương pháp gia tăng (Incremental Methods) hiện có, chủ yếu theo tiếp cận lọc (filter-based), thường ưu tiên tốc độ tính toán nhưng lại hạn chế trong việc tối ưu đồng thời số lượng thuộc tính rút gọn và độ chính xác phân lớp. Cụ thể, các thuật toán như FSMV [69], Object-R [86], và Attribute-R [86] giải quyết vấn đề thay đổi giá trị của đối tượng hoặc thuộc tính nhưng vẫn dựa trên phương pháp lọc truyền thống, dẫn đến kết quả chưa tối ưu về chất lượng phân lớp. Hơn nữa, các công trình trước đây như [1, 2, 7] đã đề xuất thuật toán gia tăng lọc - đóng gói (filter-wrapper) cho trường hợp bổ sung đối tượng/thuộc tính, nhưng thiếu sự kiểm chứng thực nghiệm toàn diện so sánh với các thuật toán hiện đại nhất, và chưa mở rộng đầy đủ cho các trường hợp loại bỏ đối tượng/thuộc tính và đặc biệt là thay đổi giá trị. Điều này tạo ra một nhu cầu cấp thiết về các thuật toán có khả năng thích ứng linh hoạt với dữ liệu thay đổi, đồng thời đảm bảo hiệu suất phân lớp tối ưu.

Research Questions và Hypotheses:

  1. Làm thế nào để xây dựng các công thức gia tăng cập nhật độ đo khoảng cách hiệu quả trong mô hình tập thô dung sai khi có sự thay đổi về tập đối tượng (bổ sung, loại bỏ, thay đổi giá trị) và tập thuộc tính (bổ sung, loại bỏ, thay đổi giá trị)?
  2. Việc tích hợp phương pháp lọc - đóng gói (Filter-Wrapper) vào các thuật toán gia tăng có cải thiện đáng kể số lượng thuộc tính trong tập rút gọn và độ chính xác phân lớp so với các phương pháp lọc truyền thống trong các bảng quyết định không đầy đủ thay đổi không?
  3. Các thuật toán gia tăng lọc - đóng gói được đề xuất có hiệu quả hơn về thời gian tính toán so với việc thực hiện lại từ đầu toàn bộ quá trình rút gọn thuộc tính trên dữ liệu mới hoặc so với các phương pháp gia tăng lọc truyền thống hiện có không?

Hypotheses:

H1: Các công thức gia tăng cập nhật khoảng cách mới sẽ cho phép tính toán hiệu quả các độ đo rút gọn thuộc tính trong mọi kịch bản dữ liệu thay đổi trên bảng quyết định không đầy đủ. H2: Các thuật toán gia tăng lọc - đóng gói (IDS_IFW_AO, IDS_IFW_DO, FWIA_U_Obj, FWIA_U_Attr) sẽ tìm được tập rút gọn với số lượng thuộc tính ít hơn và độ chính xác phân lớp cao hơn đáng kể so với các thuật toán gia tăng lọc truyền thống như IARM-I [66], KGIRA-M [98], FSMV [69], Object-R [86], Attribute-R [86]. H3: Các thuật toán gia tăng được đề xuất sẽ duy trì hiệu suất tính toán cạnh tranh hoặc vượt trội, đặc biệt trong các trường hợp dữ liệu lớn và thay đổi liên tục, so với các phương pháp phi gia tăng và các phương pháp gia tăng lọc hiện có.

Theoretical Framework:

Luận án được xây dựng dựa trên nền tảng của Lý thuyết Tập thô (Rough Set Theory) của Pawlak [61] và Mô hình Tập thô Dung sai (Tolerance Rough Set Model) của Kryszkiewicz [38]. Cụ thể, luận án sử dụng khái niệm Quan hệ dung sai (Tolerance Relation) và Độ đo khoảng cách (Distance Measure) giữa các phủ sinh bởi quan hệ dung sai để đánh giá chất lượng của tập thuộc tính. Phương pháp lọc - đóng gói (Filter-Wrapper) là khung phân tích trung tâm, nơi giai đoạn lọc sử dụng độ đo khoảng cách để tạo ra các ứng viên tập rút gọn, và giai đoạn đóng gói sử dụng bộ phân lớp C4.5 để chọn tập rút gọn có độ chính xác phân lớp cao nhất.

Đóng góp đột phá với Quantified Impact:

Luận án đã đạt được ba đóng góp chính [P.7]:

  1. Xây dựng công thức gia tăng cập nhật khoảng cách trong các trường hợp bổ sung, loại bỏ tập thuộc tính, làm cơ sở phát triển thuật toán gia tăng lọc - đóng gói. Công thức này khác biệt so với các công thức trong [1, 2], cho phép tính toán hiệu quả hơn.
  2. Đề xuất công thức gia tăng cập nhật khoảng cách khi tập đối tượng thay đổi giá trị, từ đó xây dựng thuật toán FWIA_U_Obj. Các thử nghiệm chỉ ra rằng FWIA_U_Obj vượt trội so với FSMV [69] và Object-R [86] về số lượng thuộc tính và độ chính xác phân lớp.
  3. Đề xuất công thức gia tăng cập nhật khoảng cách khi tập thuộc tính thay đổi giá trị, làm nền tảng cho thuật toán FWIA_U_Attr. Thuật toán này chứng minh khả năng giảm thiểu thuộc tính và cải thiện độ chính xác so với Attribute-R [86].

Các đóng góp này không chỉ nâng cao hiệu quả của các mô hình phân lớp (quantified by improved accuracy scores, e.g., IDS_IFW_AO cho thấy độ chính xác lên tới 87.05 ± 0.99% trên dữ liệu "house-votes-84.data" với số thuộc tính rút gọn chỉ là 7, so với IARM-I là 81.39 ± 0.96% với 9 thuộc tính và KGIRA-M là 83.21 ± 0.98% với 8 thuộc tính – Bảng 2.2, P.35), mà còn giảm đáng kể số lượng thuộc tính cần thiết, từ đó giảm độ phức tạp của mô hình và chi phí tính toán trong các hệ thống dữ liệu động.

Scope và Significance:

Phạm vi nghiên cứu tập trung vào các bảng quyết định không đầy đủ thay đổi trên các bộ dữ liệu thực nghiệm từ kho dữ liệu UCI [73]. Luận án sử dụng 06 bộ dữ liệu mẫu với số lượng đối tượng (O) từ 226 đến 3279, số thuộc tính điều kiện (A) từ 35 đến 1558, và số lớp quyết định (k) từ 2 đến 24 (Bảng 1.1, P.27; Bảng 2.1, P.34). Các thử nghiệm bao gồm các kịch bản bổ sung, loại bỏ đối tượng/thuộc tính và thay đổi giá trị. Ý nghĩa của nghiên cứu nằm ở việc cung cấp các công cụ và thuật toán hiệu quả hơn cho giai đoạn tiền xử lý dữ liệu trong khai phá dữ liệu, đặc biệt quan trọng cho các ứng dụng thực tế nơi dữ liệu liên tục thay đổi như tin sinh học, tài chính và y tế.

Literature Review và Positioning

Nghiên cứu rút gọn thuộc tính (Attribute Reduction) là một lĩnh vực trọng tâm trong khai phá dữ liệu, hướng đến việc giảm chiều dữ liệu mà vẫn bảo toàn thông tin cần thiết. Bối cảnh khoa học của luận án bắt nguồn từ Lý thuyết Tập thô (Rough Set Theory) của Pawlak [61], một công cụ toán học mạnh mẽ để xử lý sự không chắc chắn và không đầy đủ của dữ liệu.

Synthesis của Major Streams với TÊN TÁC GIẢ và NĂM cụ thể:

  1. Lý thuyết Tập thô truyền thống trên hệ thông tin đầy đủ: Pawlak [61, 62] đã định nghĩa các khái niệm cơ bản như quan hệ bất khả phân (Indiscernibility Relation), tập xấp xỉ dưới và trên (Lower and Upper Approximations), miền dương (Positive Region), tập rút gọn (Reduct) và tập lõi (Core Attribute). Các phương pháp rút gọn thường dựa trên độ quan trọng của thuộc tính và có thể theo hướng từ dưới lên hoặc từ trên xuống.
  2. Mô hình Tập thô Dung sai trên hệ thông tin không đầy đủ: Kryszkiewicz [38] mở rộng lý thuyết tập thô cho các bảng quyết định không đầy đủ bằng cách giới thiệu quan hệ dung sai (Tolerance Relation). Trên cơ sở này, nhiều thuật toán đã được đề xuất, bao gồm các phương pháp dựa trên miền dương [25, 54, 58], hàm ma trận phân biệt [17, 57], entropy thông tin [26, 64, 72], và độ đo khoảng cách [1, 19].
  3. Phương pháp gia tăng (Incremental Methods) cho dữ liệu thay đổi: Với sự phát triển nhanh chóng của dữ liệu lớn, các bảng quyết định thường xuyên thay đổi. Các thuật toán gia tăng đã được nghiên cứu để tránh tính toán lại từ đầu, giảm thiểu thời gian thực hiện.
    • Theo tiếp cận tập thô truyền thống (trên bảng đầy đủ): Các nhà nghiên cứu đã đề xuất thuật toán cho trường hợp bổ sung/loại bỏ đối tượng [10, 23, 46, 52, 56, 59, 67, 68, 92], bổ sung/loại bỏ thuộc tính [12, 56, 59, 83], và thay đổi giá trị đối tượng/thuộc tính [10, 11, 36, 41, 92].
    • Theo tiếp cận mô hình tập thô dung sai (trên bảng không đầy đủ): Các nghiên cứu gần đây bao gồm thuật toán gia tăng cho bổ sung/loại bỏ đối tượng [45, 66, 69, 94, 98, 99], bổ sung/loại bỏ thuộc tính [12, 70], và thay đổi giá trị đối tượng/thuộc tính [69, 85]. Shu et al. [66] và Zhang et al. [98] là các ví dụ điển hình với thuật toán IARM-I/E và KGIRA-M/KGIRD-M tương ứng, dựa trên miền dương và độ đo hạt tri thức.

Contradictions/Debates với ít nhất 2 opposing views:

Một điểm tranh luận chính trong lĩnh vực rút gọn thuộc tính là sự cân bằng giữa hiệu quả tính toán và chất lượng kết quả.

  1. Tiếp cận lọc (Filter) vs. Tiếp cận đóng gói (Wrapper):
    • Filter-based methods: Như các thuật toán của Shu et al. (IARM-I/E [66]) và Zhang et al. (KGIRA-M/KGIRD-M [98]), tập trung vào việc đánh giá thuộc tính độc lập với thuật toán phân lớp. Chúng thường nhanh hơn nhưng có thể không tối ưu về độ chính xác phân lớp vì tiêu chí rút gọn không trực tiếp liên quan đến hiệu suất của mô hình cuối cùng.
    • Wrapper-based methods: Đánh giá các tập con thuộc tính bằng cách sử dụng trực tiếp thuật toán phân lớp, đảm bảo độ chính xác cao nhưng thường có chi phí tính toán lớn hơn do phải chạy bộ phân lớp nhiều lần.
  2. Trade-off giữa số lượng thuộc tính và độ chính xác phân lớp: Các phương pháp lọc truyền thống như FSMV [69], Object-R [86], Attribute-R [86] tìm cách giảm số lượng thuộc tính, nhưng như luận án chỉ ra [P.4], "tập rút gọn tìm được chưa tối ưu về số lượng thuộc tính cũng như độ chính xác phân lớp, vì độ đo được sử dụng trong nhiều trường hợp không đại diện cho độ chính xác phân lớp của mô hình."

Positioning trong Literature với specific gap identified:

Luận án này định vị mình ở giao điểm của mô hình tập thô dung sai và phương pháp gia tăng, tập trung vào việc giải quyết các thách thức của dữ liệu thay đổi trên bảng quyết định không đầy đủ. Khoảng trống cụ thể được xác định là sự thiếu vắng các thuật toán gia tăng theo tiếp cận lọc - đóng gói (filter-wrapper) toàn diện, có khả năng tối ưu đồng thời cả số lượng thuộc tính và độ chính xác phân lớp cho tất cả các kịch bản dữ liệu động: bổ sung, loại bỏ và thay đổi giá trị của đối tượng/thuộc tính. Các công trình trước đây, đặc biệt là các thuật toán FSMV [69], Object-R [86], Attribute-R [86], mặc dù đã xem xét trường hợp thay đổi giá trị, nhưng vẫn theo hướng lọc truyền thống và chưa đạt được hiệu suất tối ưu mà phương pháp lọc - đóng gói có thể mang lại.

How this advances field với concrete contributions:

Luận án tiến bộ hóa lĩnh vực này bằng cách:

  1. Cung cấp một bộ công thức gia tăng cập nhật khoảng cách hoàn chỉnh cho tất cả các trường hợp dữ liệu thay đổi (bổ sung, loại bỏ, thay đổi giá trị của đối tượng và thuộc tính), khác biệt và hiệu quả hơn so với các công thức trước đó [P.7].
  2. Đề xuất các thuật toán gia tăng lọc - đóng gói (FWIA_U_Obj, FWIA_U_Attr, IDS_IFW_AO, IDS_IFW_DO). Các thuật toán này không chỉ giải quyết vấn đề hiệu quả tính toán của phương pháp gia tăng mà còn tận dụng ưu điểm của tiếp cận đóng gói để tối ưu hóa độ chính xác phân lớp và số lượng thuộc tính. Ví dụ, thuật toán IDS_IFW_AO đã được chứng minh là "tối ưu hơn so với IARM-I, KGIRA-M" về cả độ chính xác phân lớp và số lượng thuộc tính [Bảng 2.2, P.34].

So sánh với ÍT NHẤT 2 international studies:

Luận án thực hiện so sánh chi tiết với nhiều nghiên cứu quốc tế nổi bật:

  1. So sánh với IARM-I [66] và KGIRA-M [98]: Đối với trường hợp bổ sung đối tượng, thuật toán IDS_IFW_AO của luận án đã được thực nghiệm và so sánh với IARM-I (Shu et al., 2015, dựa trên miền dương) và KGIRA-M (Zhang et al., 2020, dựa trên hạt tri thức). Kết quả trên Bảng 2.2 (P.35) cho thấy IDS_IFW_AO đạt độ chính xác phân lớp cao hơn đáng kể và số lượng thuộc tính rút gọn ít hơn. Ví dụ, trên dataset "Audiology.data" khi bổ sung tập đối tượng Oinc (gồm 110 đối tượng), IDS_IFW_AO đạt độ chính xác 76.16 ± 1.15% với 5 thuộc tính, trong khi IARM-I chỉ đạt 73.01 ± 1.16% với 6 thuộc tính và KGIRA-M đạt 74.52 ± 1.12% với 6 thuộc tính.
  2. So sánh với FSMV [69], Object-R [86] và Attribute-R [86]: Đối với các kịch bản thay đổi giá trị của đối tượng và thuộc tính, luận án trực tiếp so sánh các thuật toán FWIA_U_Obj và FWIA_U_Attr với FSMV (Shu et al., 2018), Object-R (Xie et al., 2020) và Attribute-R (Xie et al., 2020). Luận án lập luận rằng các thuật toán này đều theo hướng lọc truyền thống, và mục tiêu của luận án là đề xuất các thuật toán filter-wrapper để vượt trội hơn về hiệu suất.

Những so sánh này cung cấp bằng chứng thực nghiệm rõ ràng về sự vượt trội của phương pháp lọc - đóng gói của luận án trong việc tối ưu hóa cả số lượng thuộc tính và độ chính xác phân lớp trên các bảng quyết định không đầy đủ có dữ liệu thay đổi.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết tập thô và các lĩnh vực liên quan bằng cách mở rộng khả năng ứng dụng của mô hình tập thô dung sai trong các môi trường dữ liệu phức tạp, động.

Extend/challenge WHICH specific theories (name theorists):

  • Mở rộng Mô hình Tập thô Dung sai (Tolerance Rough Set Model) của Marzena Kryszkiewicz [38]: Luận án mở rộng mô hình này bằng cách cung cấp các công thức gia tăng cập nhật độ đo khoảng cách (Distance Measure) giữa các phủ dung sai khi dữ liệu thay đổi. Công thức khoảng cách ban đầu được giới thiệu trong [19], và luận án đã phát triển các phiên bản gia tăng cho các kịch bản bổ sung, loại bỏ, và thay đổi giá trị của đối tượng/thuộc tính. Điều này trực tiếp giải quyết một hạn chế của mô hình truyền thống là khả năng xử lý hiệu quả dữ liệu động mà không cần tính toán lại từ đầu.
  • Mở rộng khái niệm "Độ quan trọng của thuộc tính" (Attribute Importance) của Z. Pawlak [62]: Trong khi Pawlak định nghĩa độ quan trọng dựa trên miền dương (Positive Region), luận án phát triển độ quan trọng dựa trên khoảng cách (SIGB(b)) [Định nghĩa 2.2, P.29] và tích hợp nó vào giai đoạn lọc của tiếp cận filter-wrapper. Điều này cung cấp một cách tiếp cận khác để đánh giá thuộc tính trong bối cảnh bảng quyết định không đầy đủ và dữ liệu động, hướng tới tối ưu hóa độ chính xác phân lớp.

Conceptual framework với components và relationships:

Khung khái niệm của luận án xoay quanh "Rút gọn thuộc tính gia tăng theo tiếp cận lọc - đóng gói sử dụng khoảng cách trong bảng quyết định không đầy đủ thay đổi". Các thành phần chính bao gồm:

  1. Bảng quyết định không đầy đủ (Incomplete Decision Table - IDS): Đại diện cho dữ liệu đầu vào.
  2. Mô hình Tập thô Dung sai (Tolerance Rough Set Model): Cung cấp các khái niệm về quan hệ dung sai (SIM(P)) và các lớp dung sai (SP(u)) để xử lý giá trị thiếu.
  3. Độ đo khoảng cách (Distance Measure): D(P,Q) [Công thức 2.1, P.29] định lượng sự khác biệt giữa các phủ sinh bởi các tập thuộc tính, được sử dụng làm tiêu chí đánh giá.
  4. Công thức gia tăng cập nhật khoảng cách: Các công thức mới (ví dụ, Công thức 2.2, P.30 cho bổ sung đối tượng; Công thức 2.3, P.37 cho loại bỏ đối tượng; và các công thức đề xuất cho thay đổi giá trị đối tượng/thuộc tính) đảm bảo việc cập nhật độ đo khoảng cách hiệu quả khi dữ liệu thay đổi.
  5. Tiếp cận Lọc - Đóng gói (Filter-Wrapper Approach):
    • Giai đoạn Lọc (Filter): Sử dụng độ đo khoảng cách và độ quan trọng thuộc tính (SIGB(b)) để xác định các ứng viên tập rút gọn (T) một cách hiệu quả.
    • Giai đoạn Đóng gói (Wrapper): Sử dụng bộ phân lớp (C4.5) và phương pháp kiểm tra chéo (10-fold cross-validation) để đánh giá và chọn ra tập rút gọn tối ưu nhất về độ chính xác phân lớp (Rbest) từ các ứng viên.
  6. Các kịch bản dữ liệu thay đổi: Bổ sung/loại bỏ đối tượng, bổ sung/loại bỏ thuộc tính, thay đổi giá trị đối tượng/thuộc tính.

Mối quan hệ giữa các thành phần là tuần tự và lặp. Dữ liệu thay đổi kích hoạt các công thức gia tăng để cập nhật khoảng cách. Khoảng cách được cập nhật này sau đó được sử dụng trong giai đoạn lọc để chọn ứng viên. Cuối cùng, giai đoạn đóng gói tinh chỉnh kết quả bằng cách sử dụng bộ phân lớp, đảm bảo cả hiệu quả và độ chính xác.

Theoretical model với propositions/hypotheses numbered:

Luận án xây dựng một mô hình lý thuyết về rút gọn thuộc tính gia tăng dựa trên khoảng cách trong tập thô dung sai. Các đề xuất/giả thuyết chính bao gồm:

Proposition 1: Trong một bảng quyết định không đầy đủ, độ đo khoảng cách D(P, P ∪ {d}) có thể được cập nhật một cách hiệu quả bằng các công thức gia tăng khi có sự thay đổi dữ liệu (bổ sung/loại bỏ đối tượng, bổ sung/loại bỏ thuộc tính, thay đổi giá trị).

  • Chứng minh (Evidence): Luận án đã xây dựng Công thức 2.2 (P.30) cho trường hợp bổ sung đối tượng và Công thức 2.3 (P.37) cho trường hợp loại bỏ đối tượng, cũng như công thức gia tăng cập nhật khoảng cách cho trường hợp đối tượng/thuộc tính thay đổi giá trị [P.43, P.84].

Proposition 2: Thuộc tính cần thiết có thể được xác định hiệu quả thông qua độ quan trọng SIGB(b) dựa trên khoảng cách.

  • Chứng minh (Evidence): Định nghĩa 2.2 (P.29) và việc sử dụng SIGB(b) làm tiêu chí trong giai đoạn lọc của các thuật toán IDS_IFW_AO, IDS_IFW_DO.

Proposition 3: Việc kết hợp giai đoạn lọc (dựa trên khoảng cách) và giai đoạn đóng gói (dựa trên độ chính xác phân lớp) sẽ tạo ra các tập rút gọn tối ưu hơn so với các phương pháp chỉ dựa trên lọc, cả về số lượng thuộc tính và độ chính xác phân lớp.

  • Chứng minh (Evidence): Kết quả thực nghiệm trong Bảng 2.2 (P.35) cho thấy IDS_IFW_AO vượt trội hơn IARM-I [66] và KGIRA-M [98], chứng minh hiệu quả của phương pháp lọc - đóng gói.

Paradigm shift với EVIDENCE từ findings:

Luận án này không tạo ra một sự thay đổi mô hình (paradigm shift) hoàn toàn, nhưng nó đánh dấu một bước tiến đáng kể trong cách tiếp cận bài toán rút gọn thuộc tính trong dữ liệu động. Thay vì chỉ tập trung vào hiệu quả tính toán hoặc chỉ tối ưu hóa một khía cạnh (số thuộc tính hoặc độ chính xác), luận án đã chứng minh khả năng tối ưu hóa đồng thời cả hai yếu tố này thông qua tiếp cận lọc - đóng gói. Các findings của luận án, như việc các thuật toán FWIA_U_Obj và FWIA_U_Attr đạt được "giảm thiểu số lượng thuộc tính tập rút gọn và cải thiện độ chính xác phân lớp" [P.5] so với các thuật toán lọc truyền thống như FSMV, Object-R, Attribute-R, cung cấp bằng chứng rõ ràng cho sự ưu việt của cách tiếp cận tích hợp này.

Khung phân tích độc đáo

Khung phân tích của luận án là sự tích hợp sâu sắc giữa các lý thuyết hiện có và các đổi mới về thuật toán, tạo ra một phương pháp tiếp cận mạnh mẽ cho bài toán rút gọn thuộc tính trong bối cảnh dữ liệu thay đổi.

Integration của theories (name 3+ specific theories):

Khung phân tích tích hợp ba lý thuyết chính:

  1. Lý thuyết Tập thô (Rough Set Theory) [61]: Nền tảng cho việc xử lý sự không chắc chắn và định nghĩa tập rút gọn.
  2. Mô hình Tập thô Dung sai (Tolerance Rough Set Model) [38]: Mở rộng lý thuyết tập thô để xử lý các bảng quyết định không đầy đủ, thông qua quan hệ dung sai.
  3. Lý thuyết Khoảng cách (Distance Theory) trong không gian phủ: Được áp dụng để định lượng sự khác biệt thông tin giữa các tập thuộc tính, cho phép đánh giá độ quan trọng của thuộc tính một cách định lượng và linh hoạt trong các hệ thống thông tin không đầy đủ.

Sự tích hợp này độc đáo ở chỗ nó không chỉ đơn thuần áp dụng các lý thuyết mà còn phát triển các cơ chế gia tăng cụ thể (công thức cập nhật khoảng cách) để các lý thuyết này có thể hoạt động hiệu quả trong môi trường dữ liệu liên tục thay đổi.

Novel analytical approach với justification:

Cách tiếp cận phân tích mới của luận án là "Tiếp cận gia tăng lọc - đóng gói sử dụng khoảng cách (Incremental Filter-Wrapper Approach based on Distance Measure)".

  • Tính mới: Khác biệt so với các phương pháp hiện có, cách tiếp cận này giải quyết đồng thời ba thách thức: (1) Không đầy đủ của dữ liệu (qua mô hình tập thô dung sai), (2) Tính động của dữ liệu (qua các công thức gia tăng), và (3) Tối ưu hóa kép (số lượng thuộc tính và độ chính xác phân lớp, qua khung lọc - đóng gói). Các công trình trước đây hoặc chỉ tập trung vào một khía cạnh (ví dụ, filter-based incremental methods như IARM-I/E [66], KGIRA-M/KGIRD-M [98]) hoặc chưa hoàn chỉnh trong việc bao phủ tất cả các kịch bản thay đổi dữ liệu bằng phương pháp filter-wrapper.
  • Justification: Cách tiếp cận này hợp lý vì các phương pháp lọc truyền thống, dù nhanh, thường bỏ qua mối quan hệ giữa tập rút gọn và hiệu suất phân lớp thực tế của mô hình. Ngược lại, các phương pháp đóng gói toàn diện rất tốn kém về mặt tính toán. Tiếp cận lọc - đóng gói của luận án dung hòa hai phương pháp này: giai đoạn lọc nhanh chóng thu hẹp không gian tìm kiếm các ứng viên tập rút gọn tiềm năng, sau đó giai đoạn đóng gói áp dụng đánh giá phân lớp để chọn tập tối ưu nhất. Các công thức gia tăng đảm bảo quá trình này hiệu quả về thời gian, đặc biệt với dữ liệu lớn và thay đổi.

Conceptual contributions với definitions:

  • Độ đo khoảng cách gia tăng (Incremental Distance Measure): Luận án định nghĩa các công thức cụ thể để cập nhật khoảng cách D(P,Q) [P.29] khi có sự thay đổi về đối tượng (thêm/bớt/thay đổi giá trị) hoặc thuộc tính (thêm/bớt/thay đổi giá trị). Đây là một đóng góp quan trọng, cung cấp công cụ toán học để theo dõi sự thay đổi thông tin trong bảng quyết định không đầy đủ mà không cần tính toán lại từ đầu.
  • Độ quan trọng thuộc tính dựa trên khoảng cách gia tăng (Incremental Distance-based Attribute Significance): Được định nghĩa là SIGB(b) [Định nghĩa 2.2, P.29], độ đo này phản ánh mức độ đóng góp của một thuộc tính vào việc giảm khoảng cách giữa các phủ dung sai. Việc cập nhật gia tăng độ quan trọng này là nền tảng cho giai đoạn lọc.
  • Thuật toán gia tăng lọc - đóng gói (Incremental Filter-Wrapper Algorithm): Đây là một khái niệm thuật toán mới, bao gồm IDS_IFW_AO, IDS_IFW_DO, FWIA_U_Obj, FWIA_U_Attr, được thiết kế để kết hợp hiệu quả tốc độ của phương pháp gia tăng và sự tối ưu hóa của phương pháp đóng gói.

Boundary conditions explicitly stated:

Luận án thừa nhận các điều kiện biên:

  • Bảng quyết định không đầy đủ (Incomplete Decision Tables): Tập thuộc tính quyết định (D) không chứa giá trị thiếu (''), nghĩa là d ∈ D, '' ∉ Vd [P.13].
  • Tập thuộc tính quyết định đơn: Theo Kryszkiewicz [38], D = {d}, nghĩa là D chỉ gồm một thuộc tính quyết định duy nhất [P.13].
  • Tập dữ liệu đầu vào: Các thuật toán được thiết kế để hoạt động hiệu quả trên các tập dữ liệu có kích thước lớn và thay đổi liên tục, nhưng việc xác định các ngưỡng cụ thể về kích thước hoặc tần suất thay đổi để đạt hiệu suất tối ưu vẫn là một hướng nghiên cứu tiềm năng.
  • Loại dữ liệu: Tập dữ liệu từ kho UCI [73], chủ yếu là dữ liệu rời rạc hoặc có thể rời rạc hóa.

Phương pháp nghiên cứu tiên tiến

Phương pháp nghiên cứu của luận án kết hợp chặt chẽ giữa nghiên cứu lý thuyết và thực nghiệm, tuân thủ các chuẩn mực khoa học nghiêm ngặt để đảm bảo tính xác thực và hiệu quả của các đóng góp.

Thiết kế nghiên cứu

Research philosophy: Luận án này chủ yếu theo đuổi triết lý nghiên cứu Positivism (Thực chứng). Điều này được thể hiện rõ qua việc tập trung vào việc xây dựng các công thức toán học chặt chẽ (định lý, mệnh đề), thiết kế thuật toán có thể kiểm chứng được, và tiến hành các thí nghiệm định lượng trên các bộ dữ liệu thực để đo lường hiệu suất (số lượng thuộc tính, độ chính xác, thời gian thực hiện) và so sánh khách quan với các phương pháp hiện có. Mục tiêu là tìm kiếm các quy luật tổng quát và xây dựng các giải pháp có thể ứng dụng rộng rãi.

Mixed methods với SPECIFIC combination rationale: Mặc dù tập trung vào định lượng, có thể thấy một sự kết hợp ngầm của phương pháp:

  • Phát triển lý thuyết (Theoretical Development): Xây dựng các công thức gia tăng cập nhật khoảng cách, định nghĩa độ quan trọng thuộc tính mới. Đây là giai đoạn deductive, phát triển từ các nguyên lý toán học của tập thô.
  • Thiết kế thuật toán (Algorithmic Design): Phát triển các thuật toán lọc - đóng gói (IDS_IFW_AO, IDS_IFW_DO, FWIA_U_Obj, FWIA_U_Attr).
  • Kiểm chứng thực nghiệm (Empirical Validation): Triển khai, chạy thử nghiệm trên các bộ dữ liệu thực và so sánh định lượng với các thuật toán khác. Đây là giai đoạn inductive, thu thập bằng chứng để hỗ trợ các giả thuyết lý thuyết. Sự kết hợp này là cần thiết để không chỉ đưa ra các giải pháp trên lý thuyết mà còn chứng minh tính khả thi và ưu việt trong thực tế.

Multi-level design với levels clearly defined: Mặc dù không phải là một nghiên cứu đa cấp (multi-level) theo nghĩa xã hội học, luận án có thể được xem xét theo các cấp độ trừu tượng khác nhau:

  • Cấp độ cơ sở (Conceptual Level): Định nghĩa lại các khái niệm như khoảng cách, độ quan trọng của thuộc tính trong bối cảnh dữ liệu động và không đầy đủ.
  • Cấp độ thuật toán (Algorithmic Level): Thiết kế các thuật toán gia tăng cụ thể (IDS_IFW_AO, FWIA_U_Obj, FWIA_U_Attr).
  • Cấp độ triển khai và đánh giá (Implementation and Evaluation Level): Cài đặt các thuật toán và tiến hành thực nghiệm trên các bộ dữ liệu thực tế, thu thập các số liệu hiệu suất.

Sample size và selection criteria EXACT:

  • Sample size: Luận án sử dụng 06 bộ dữ liệu từ kho dữ liệu UCI [73] cho các thực nghiệm. Các bộ dữ liệu này có đặc điểm đa dạng về kích thước và số lượng thuộc tính:
    • Audiology.data: 226 đối tượng, 69 thuộc tính điều kiện, 24 lớp quyết định.
    • Soybean-large.data: 307 đối tượng, 35 thuộc tính điều kiện, 2 lớp quyết định.
    • House-votes-84.data: 3279 đối tượng, 1558 thuộc tính điều kiện, 2 lớp quyết định. (P.27, P.34)
  • Selection criteria: Các bộ dữ liệu được chọn để đại diện cho nhiều loại bài toán phân lớp với cấu trúc và độ phức tạp khác nhau, bao gồm cả dữ liệu có số lượng thuộc tính lớn (house-votes-84.data) và dữ liệu có nhiều lớp quyết định (Audiology.data). Tiêu chí quan trọng là khả năng áp dụng các kịch bản thay đổi dữ liệu (bổ sung, loại bỏ, thay đổi giá trị) một cách có kiểm soát.

Quy trình nghiên cứu rigorous

Sampling strategy với inclusion/exclusion criteria:

  • Sampling strategy:
    • Đối với trường hợp bổ sung đối tượng: Mỗi tập dữ liệu được chia thành hai phần xấp xỉ bằng nhau: tập dữ liệu ban đầu (Oori) và tập dữ liệu gia tăng (Oinc). Oinc tiếp tục được chia thành năm phần bằng nhau (O1, O2, O3, O4, O5) để mô phỏng quá trình bổ sung dần dần [P.33].
    • Đối với trường hợp loại bỏ đối tượng: Tập dữ liệu ban đầu (O) được chia thành 10 phần bằng nhau. Sau đó, ngẫu nhiên 4 phần (O1, O2, O3, O4) được loại bỏ tuần tự để đánh giá hiệu suất [P.40].
  • Inclusion/exclusion criteria: Các bộ dữ liệu từ UCI được chọn vì chúng là chuẩn mực trong nghiên cứu khai phá dữ liệu, có sẵn và được kiểm chứng. Dữ liệu thiếu giá trị được biểu diễn bằng '*', tuân thủ định nghĩa của bảng quyết định không đầy đủ [P.12].

Data collection protocols với instruments described:

  • Data source: Kho dữ liệu UCI Machine Learning Repository [73].
  • Data preparation: Các bộ dữ liệu được tiền xử lý để phù hợp với các kịch bản thực nghiệm (chia tập dữ liệu, mô phỏng thay đổi).
  • Instruments: Các thuật toán được đề xuất (IDS_IFW_AO, IDS_IFW_DO, FWIA_U_Obj, FWIA_U_Attr) được cài đặt bằng ngôn ngữ lập trình Matlab [P.34]. Bộ phân lớp C4.5 được sử dụng để đánh giá độ chính xác phân lớp [P.33].
  • Execution environment: Máy tính cá nhân PC với bộ xử lý Intel® Core™ i7-3770, 3.40 GHz, hệ điều hành Windows 7 [P.34].

Triangulation (data/method/investigator/theory):

  • Data Triangulation: Sử dụng nhiều bộ dữ liệu khác nhau từ kho UCI để đảm bảo tính tổng quát của kết quả, không phụ thuộc vào một tập dữ liệu cụ thể.
  • Method Triangulation: So sánh các thuật toán đề xuất với nhiều phương pháp gia tăng khác nhau (IARM-I [66], KGIRA-M [98], FSMV [69], Object-R [86], Attribute-R [86]), đảm bảo đánh giá toàn diện về hiệu suất.
  • Theory Triangulation: Sự kết hợp của Lý thuyết Tập thô, Tập thô Dung sai và Lý thuyết Khoảng cách cung cấp một nền tảng đa chiều để giải quyết vấn đề.

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

  • Construct Validity: Các độ đo như "số lượng thuộc tính trong tập rút gọn" và "độ chính xác phân lớp" trực tiếp phản ánh các khái niệm lý thuyết về tối ưu hóa và hiệu quả của rút gọn thuộc tính.
  • Internal Validity: Quy trình thực nghiệm được kiểm soát chặt chẽ, đảm bảo các biến đổi trong kết quả thực sự do sự khác biệt giữa các thuật toán gây ra. Ví dụ, việc sử dụng cùng một bộ phân lớp (C4.5) và cùng một phương pháp đánh giá (10-fold cross-validation) cho tất cả các thuật toán so sánh.
  • External Validity: Việc sử dụng các bộ dữ liệu công khai từ UCI và so sánh với các thuật toán chuẩn mực quốc tế giúp tăng khả năng tổng quát hóa kết quả đến các bối cảnh thực tế khác.
  • Reliability (α values): Độ chính xác phân lớp được biểu diễn dưới dạng "v ± σ", trong đó v là giá trị trung bình (mean) của 10 lần lặp và σ là sai số chuẩn (standard error) [P.34]. Điều này cung cấp một thước đo về độ tin cậy và sự ổn định của kết quả thực nghiệm. Mặc dù không phải là alpha Cronbach, "standard error" (σ) trong bối cảnh này là một thước đo quan trọng về độ biến thiên và độ tin cậy của kết quả trung bình qua nhiều lần chạy lặp.

Data và phân tích

Sample characteristics với demographics/statistics: Như đã nêu, 06 bộ dữ liệu UCI được sử dụng có đặc điểm đa dạng:

  • Audiology.data: 226 đối tượng, 69 thuộc tính, 24 lớp.
  • Soybean-large.data: 307 đối tượng, 35 thuộc tính, 2 lớp.
  • House-votes-84.data: 3279 đối tượng, 1558 thuộc tính, 2 lớp. Các bộ dữ liệu này được chọn để kiểm tra thuật toán trên các quy mô và cấu trúc dữ liệu khác nhau, từ nhỏ đến lớn, ít thuộc tính đến nhiều thuộc tính. Đặc điểm này đảm bảo rằng các phát hiện có thể được tổng quát hóa trên nhiều loại bài toán khai phá dữ liệu.

Advanced techniques (SEM/multilevel/QCA etc.) với software:

  • Advanced Techniques: Các kỹ thuật phân tích tập trung vào phân tích thực nghiệm định lượng so sánh hiệu suất thuật toán.
    • 10-fold Cross-Validation: Được sử dụng để đánh giá độ chính xác phân lớp một cách mạnh mẽ và đáng tin cậy. Dữ liệu được chia thành 10 phần, mỗi phần lần lượt được dùng làm tập kiểm tra trong khi 9 phần còn lại là tập huấn luyện. Quá trình lặp lại 10 lần và kết quả được lấy trung bình để giảm thiểu sai lệch do cách chia dữ liệu [P.33].
    • Phân tích độ phức tạp thuật toán: Các thuật toán được đánh giá về độ phức tạp tính toán (ví dụ, IDS_IFW_AO có độ phức tạp O(|C|^2 * (|U| + |ΔU|)^2) + O(|C| * f(n)), với f(n) là thời gian tính bộ phân lớp [P.32]), cung cấp cái nhìn lý thuyết về hiệu suất.
    • Phân tích thống kê so sánh: So sánh giá trị trung bình và sai số chuẩn của độ chính xác và thời gian thực hiện giữa các thuật toán để xác định sự khác biệt có ý nghĩa thống kê.
  • Software:
    • Matlab: Được sử dụng để cài đặt và chạy các thuật toán [P.34].
    • C4.5 classifier: Được tích hợp trong quá trình đánh giá để tính toán độ chính xác phân lớp [P.33].

Robustness checks với alternative specifications: Luận án thực hiện các kiểm tra độ vững vàng thông qua:

  • Đánh giá trên nhiều bộ dữ liệu khác nhau: Việc sử dụng 06 bộ dữ liệu UCI đa dạng giúp đảm bảo rằng hiệu suất của thuật toán không chỉ là ngẫu nhiên trên một tập dữ liệu cụ thể.
  • Thực nghiệm lặp lại (10 lần lặp của 10-fold cross-validation): Cung cấp kết quả ổn định và đáng tin cậy hơn, được biểu diễn bằng sai số chuẩn (standard error) để đánh giá độ biến thiên của kết quả.
  • So sánh với nhiều thuật toán đối thủ: Việc so sánh với các thuật toán gia tăng filter-based state-of-the-art (IARM-I [66], KGIRA-M [98], FSMV [69], Object-R [86], Attribute-R [86]) đảm bảo rằng sự vượt trội của các thuật toán đề xuất là có cơ sở.

Effect sizes và confidence intervals reported: Mặc dù luận án không trực tiếp báo cáo "confidence intervals" theo nghĩa thống kê toàn diện, việc trình bày kết quả độ chính xác dưới dạng "v ± σ" (giá trị trung bình ± sai số chuẩn) [P.34] cung cấp thông tin tương đương về độ biến thiên và ước tính độ tin cậy của kết quả. Sai số chuẩn cho phép người đọc đánh giá mức độ chính xác của ước tính giá trị trung bình. Ví dụ, trên "Soybean-large.data" khi bổ sung Oinc, IDS_IFW_AO đạt 96.22 ± 0.98%, trong khi IARM-I đạt 94.61 ± 0.95% và KGIRA-M đạt 95.12 ± 0.96% [Bảng 2.2, P.35]. Sự khác biệt về giá trị trung bình và các sai số chuẩn cho thấy sự khác biệt có ý nghĩa về hiệu suất.

Phát hiện đột phá và implications

Luận án đã đạt được những phát hiện then chốt, mang tính đột phá, cung cấp các giải pháp tiên tiến cho bài toán rút gọn thuộc tính trong môi trường dữ liệu động và không đầy đủ.

Những phát hiện then chốt

  1. Hiệu suất vượt trội của phương pháp Filter-Wrapper trong tối ưu hóa kép:
    • SPECIFIC EVIDENCE từ data: Thuật toán IDS_IFW_AO của luận án đã chứng minh hiệu suất vượt trội so với các thuật toán gia tăng lọc truyền thống IARM-I [66] và KGIRA-M [98] trong trường hợp bổ sung đối tượng. Trên dataset "House-votes-84.data", IDS_IFW_AO đạt độ chính xác phân lớp 87.05 ± 0.99% với 7 thuộc tính rút gọn, trong khi IARM-I chỉ đạt 81.39 ± 0.96% với 9 thuộc tính và KGIRA-M đạt 83.21 ± 0.98% với 8 thuộc tính (Bảng 2.2, P.35). Điều này cho thấy phương pháp filter-wrapper không chỉ giảm số thuộc tính mà còn cải thiện đáng kể độ chính xác.
    • Statistical significance: Các giá trị p-values không được báo cáo trực tiếp, nhưng sự khác biệt rõ rệt về giá trị trung bình (mean) của độ chính xác và sai số chuẩn (standard error, σ) gợi ý ý nghĩa thống kê. Ví dụ, sự chênh lệch khoảng 5-6% về độ chính xác giữa IDS_IFW_AO và các thuật toán cạnh tranh trên "House-votes-84.data" là đáng kể.
  2. Khả năng xử lý hiệu quả các kịch bản thay đổi giá trị:
    • SPECIFIC EVIDENCE từ data: Luận án đã đề xuất thành công các thuật toán FWIA_U_Obj và FWIA_U_Attr, giải quyết các trường hợp thay đổi giá trị của đối tượng và thuộc tính. Mặc dù bảng dữ liệu cụ thể cho các thuật toán này chưa được cung cấp đầy đủ trong đoạn văn bản mẫu, luận án khẳng định mục tiêu của các thuật toán này là "giảm thiểu số lượng thuộc tính tập rút gọn và cải thiện độ chính xác phân lớp" so với các thuật toán lọc truyền thống như FSMV [69], Object-R [86], Attribute-R [86] [P.5, P.26].
    • Counter-intuitive results với theoretical explanation: Không có kết quả phản trực giác nào được đề cập rõ ràng, nhưng một phát hiện đáng lưu ý là mặc dù các thuật toán filter-wrapper có thời gian thực hiện cao hơn một chút so với các thuật toán filter truyền thống (ví dụ, IDS_IFW_AO có thời gian thực hiện cao hơn IARM-I và KGIRA-M do giai đoạn đóng gói, Bảng 2.3, P.36), sự gia tăng thời gian này được bù đắp bằng chất lượng vượt trội của tập rút gọn và độ chính xác phân lớp. Điều này khẳng định sự đánh đổi hợp lý giữa chi phí tính toán và hiệu suất của mô hình.
  3. Công thức gia tăng khoảng cách mới cho dữ liệu động:
    • SPECIFIC EVIDENCE từ data: Luận án đã xây dựng "công thức gia tăng cập nhật khoảng cách trong các trường hợp bổ sung, loại bỏ tập thuộc tính" và "khi tập đối tượng thay đổi giá trị", cũng như "khi tập thuộc tính thay đổi giá trị" [P.7]. Những công thức này, như Công thức 2.2 (P.30) và Công thức 2.3 (P.37), là nền tảng cho việc phát triển các thuật toán gia tăng, cho phép cập nhật hiệu quả các độ đo rút gọn mà không cần tính toán lại từ đầu.
  4. So sánh với prior research findings: Các phát hiện của luận án cung cấp một bước tiến so với các nghiên cứu trước đây. Trong khi IARM-I [66] và KGIRA-M [98] tập trung vào hiệu quả tính toán với các phương pháp lọc, luận án đã chứng minh rằng việc kết hợp thêm giai đoạn đóng gói có thể mang lại lợi ích đáng kể về chất lượng mô hình mà vẫn giữ được tính gia tăng cần thiết cho dữ liệu động. Ví dụ, trên "Soybean-large.data" khi bổ sung tập đối tượng, IDS_IFW_AO đạt độ chính xác 96.22 ± 0.98% so với IARM-I là 94.61 ± 0.95% và KGIRA-M là 95.12 ± 0.96% [Bảng 2.2, P.35].

Implications đa chiều

  1. Theoretical advances với contribution to 2+ theories:
    • Lý thuyết Tập thô Dung sai (Tolerance Rough Set Theory) của Kryszkiewicz [38]: Luận án mở rộng khả năng ứng dụng của lý thuyết này bằng cách cung cấp các cơ chế gia tăng để xử lý các bảng quyết định không đầy đủ trong mọi kịch bản dữ liệu động. Điều này làm cho mô hình tập thô dung sai trở nên linh hoạt và thực tiễn hơn cho các ứng dụng thế giới thực.
    • Lý thuyết Khoảng cách trong Tập thô: Các công thức gia tăng khoảng cách mới được đề xuất đóng góp trực tiếp vào lý thuyết về độ đo khoảng cách, cho phép định lượng và theo dõi sự thay đổi thông tin một cách hiệu quả trong các hệ thống thông tin không đầy đủ.
    • Lý thuyết về Rút gọn thuộc tính (Attribute Reduction Theory): Luận án góp phần phát triển lý thuyết này bằng cách chứng minh hiệu quả của tiếp cận filter-wrapper trong việc tối ưu hóa kép, vượt qua những hạn chế của các phương pháp chỉ dựa trên lọc truyền thống.
  2. Methodological innovations applicable to other contexts:
    • Phương pháp "gia tăng lọc - đóng gói sử dụng khoảng cách" có thể được áp dụng không chỉ cho rút gọn thuộc tính mà còn cho các bài toán lựa chọn đặc trưng (feature selection) khác trong khai phá dữ liệu hoặc học máy, nơi dữ liệu động và không đầy đủ là phổ biến.
    • Các công thức gia tăng khoảng cách có thể được điều chỉnh để sử dụng với các độ đo khác hoặc trong các mô hình tập thô mở rộng khác, mở ra các hướng nghiên cứu mới về xử lý dữ liệu động.
  3. Practical applications với specific recommendations:
    • Hệ thống quản lý dữ liệu trực tuyến (Online Data Management Systems): Các thuật toán của luận án có thể được tích hợp vào các hệ thống này để liên tục cập nhật và duy trì các mô hình phân lớp hiệu quả, ngay cả khi dữ liệu đầu vào thay đổi liên tục.
    • Phân tích dữ liệu y tế/tin sinh học: Trong lĩnh vực y tế, dữ liệu bệnh nhân thường không đầy đủ và thay đổi theo thời gian. Các thuật toán này có thể giúp giảm số lượng thuộc tính gen hoặc đặc điểm bệnh lý, cải thiện độ chính xác trong chẩn đoán và dự đoán.
    • Phân tích thị trường tài chính: Dữ liệu tài chính biến động nhanh chóng. Việc rút gọn thuộc tính hiệu quả có thể giúp xây dựng các mô hình dự đoán xu hướng thị trường hoặc phát hiện gian lận với độ chính xác cao hơn.
  4. Policy recommendations với implementation pathway:
    • Các cơ quan quản lý dữ liệu lớn, đặc biệt trong các lĩnh vực nhạy cảm như an ninh mạng, tài chính, y tế, có thể cân nhắc tích hợp các phương pháp rút gọn thuộc tính gia tăng lọc - đóng gói vào quy trình tiền xử lý dữ liệu của họ.
    • Để triển khai, cần phát triển các thư viện phần mềm mã nguồn mở hoặc thương mại dựa trên các thuật toán này, cho phép các nhà khoa học dữ liệu và kỹ sư dễ dàng sử dụng. Cần có các chương trình đào tạo để phổ biến kiến thức về các kỹ thuật tiên tiến này.
  5. Generalizability conditions clearly specified:
    • Các thuật toán được chứng minh hiệu quả trên các bộ dữ liệu có đặc điểm đa dạng (ví dụ, từ 226 đến 3279 đối tượng, 35 đến 1558 thuộc tính) [P.27, P.34], cho thấy khả năng tổng quát hóa tốt.
    • Tính tổng quát của các công thức gia tăng khoảng cách dựa trên các nguyên lý toán học của tập thô dung sai, cho phép áp dụng trên bất kỳ bảng quyết định không đầy đủ nào tuân thủ định nghĩa của Kryszkiewicz [38].
    • Tuy nhiên, hiệu suất có thể thay đổi tùy thuộc vào mức độ "không đầy đủ" của dữ liệu và bản chất của các mối quan hệ giữa các thuộc tính.

Limitations và Future Research

Giống như bất kỳ nghiên cứu khoa học nào, luận án này cũng có những hạn chế nhất định và mở ra nhiều hướng nghiên cứu trong tương lai.

3-4 specific limitations acknowledged

  1. Chi phí tính toán của giai đoạn đóng gói: Mặc dù các thuật toán filter-wrapper của luận án cho thấy hiệu suất tối ưu hơn về độ chính xác và số lượng thuộc tính, nhưng chúng có "thời gian thực hiện cao hơn thuật toán IARM-I và thuật toán KGIRA-M vì thuật toán IDS_IFW_AO cần nhiều thời gian hơn để thực hiện phân lớp trong giai đoạn đóng gói" (Bảng 2.3, P.36). Điều này có thể trở thành một hạn chế trong các ứng dụng đòi hỏi xử lý cực nhanh trên dữ liệu khổng lồ.
  2. Giới hạn của bộ phân lớp C4.5: Luận án sử dụng bộ phân lớp C4.5 trong giai đoạn đóng gói. Mặc dù C4.5 là một thuật toán phổ biến và hiệu quả, việc sử dụng các bộ phân lớp khác (ví dụ: SVM, Random Forest, Neural Networks) có thể mang lại kết quả khác nhau và cần được khám phá để đánh giá tính vững vàng của phương pháp.
  3. Tập thuộc tính quyết định đơn: Theo định nghĩa của Kryszkiewicz [38] mà luận án tuân theo, bảng quyết định không đầy đủ được xem xét chỉ có một thuộc tính quyết định duy nhất (D = {d}) [P.13]. Điều này hạn chế khả năng áp dụng trực tiếp cho các bài toán phân lớp đa nhãn phức tạp hơn.
  4. Dữ liệu thiếu giá trị: Mô hình tập thô dung sai xử lý các giá trị thiếu bằng cách xem chúng là "không phân biệt được", nhưng không đi sâu vào các phương pháp điền giá trị thiếu (imputation) có thể ảnh hưởng đến chất lượng của tập rút gọn.

Boundary conditions về context/sample/time

  • Context: Các thuật toán được phát triển và kiểm chứng trong bối cảnh các bảng quyết định không đầy đủ, nơi giá trị thiếu được biểu diễn bằng ký tự đặc biệt ('*').
  • Sample: Thực nghiệm dựa trên 06 bộ dữ liệu từ kho UCI [73]. Mặc dù đa dạng, các bộ dữ liệu này có thể không phản ánh đầy đủ tất cả các loại phân phối dữ liệu hoặc cấu trúc quan hệ phức tạp có thể tồn tại trong các ứng dụng thực tế khác.
  • Timeframe: Luận án tập trung vào các thay đổi dữ liệu theo từng lô (batch) hoặc từng đối tượng/thuộc tính một. Việc xử lý các luồng dữ liệu liên tục (data streams) với tốc độ cao là một thách thức khác chưa được khám phá sâu rộng.

Future research agenda với 4-5 concrete directions

  1. Tối ưu hóa hiệu suất của giai đoạn đóng gói: Nghiên cứu các kỹ thuật tối ưu hóa để giảm chi phí tính toán của giai đoạn đóng gói, chẳng hạn như sử dụng các phương pháp phân lớp bán giám sát (semi-supervised learning) hoặc các bộ phân lớp hiệu quả hơn cho dữ liệu lớn.
  2. Mở rộng cho bài toán phân lớp đa nhãn: Phát triển các thuật toán rút gọn thuộc tính gia tăng lọc - đóng gói cho các bảng quyết định không đầy đủ có nhiều thuộc tính quyết định, vượt qua giới hạn D = {d}.
  3. Tích hợp chiến lược điền giá trị thiếu (Imputation Strategies): Nghiên cứu tác động của các phương pháp điền giá trị thiếu khác nhau lên hiệu suất của các thuật toán rút gọn thuộc tính, và cách tích hợp chúng vào quy trình gia tăng.
  4. Khám phá các độ đo khoảng cách và tập thô mở rộng khác: Áp dụng các khái niệm về khoảng cách và phương pháp gia tăng vào các mô hình tập thô mở rộng khác (ví dụ: tập thô mờ, tập thô ba chiều) để tăng cường khả năng xử lý các loại dữ liệu không chắc chắn khác.
  5. Áp dụng cho Data Streams và các hệ thống Online Learning: Điều chỉnh các thuật toán để xử lý các luồng dữ liệu liên tục, nơi dữ liệu đến và đi theo thời gian thực, đòi hỏi khả năng cập nhật cực kỳ nhanh chóng.

Methodological improvements suggested

  • Sử dụng các kiểm định thống kê mạnh mẽ hơn (ví dụ: ANOVA, t-test) để xác nhận ý nghĩa thống kê của sự khác biệt giữa các thuật toán.
  • Thực hiện phân tích độ nhạy (sensitivity analysis) đối với các tham số của thuật toán (ví dụ: ngưỡng khoảng cách, tham số của C4.5) để hiểu rõ hơn về hành vi của chúng.
  • Mở rộng bộ dữ liệu thực nghiệm bao gồm các bộ dữ liệu lớn hơn nhiều (hàng triệu đối tượng/thuộc tính) và từ các lĩnh vực ứng dụng đa dạng hơn để kiểm tra khả năng mở rộng.

Theoretical extensions proposed

  • Phát triển một khung lý thuyết tổng quát hơn cho "khoảng cách gia tăng" có thể áp dụng cho nhiều cấu trúc dữ liệu và độ đo sự tương đồng/khác biệt.
  • Nghiên cứu mối quan hệ giữa các độ đo khoảng cách dựa trên tập thô và các độ đo entropy thông tin trong bối cảnh dữ liệu động để tạo ra các tiêu chí rút gọn thuộc tính mạnh mẽ hơn.

Tác động và ảnh hưởng

Các kết quả của luận án mang lại những tác động và ảnh hưởng đáng kể trên nhiều khía cạnh, từ học thuật đến thực tiễn.

Academic impact với potential citations estimate

  • Nâng cao hiểu biết về lý thuyết tập thô: Luận án mở rộng Lý thuyết Tập thô Dung sai, đặc biệt là trong việc xử lý dữ liệu động và không đầy đủ, làm phong phú thêm kho tàng tri thức về lĩnh vực này.
  • Tiêu chuẩn hóa phương pháp nghiên cứu: Phương pháp luận nghiêm ngặt, bao gồm các công thức gia tăng mới và kiểm chứng thực nghiệm toàn diện, thiết lập một tiêu chuẩn mới cho nghiên cứu rút gọn thuộc tính gia tăng.
  • Ước tính trích dẫn tiềm năng: Các thuật toán mới, đặc biệt là những thuật toán chứng minh hiệu suất vượt trội (ví dụ, IDS_IFW_AO cho thấy độ chính xác lên tới 87.05% trên House-votes-84.data, P.35) và giải quyết một vấn đề quan trọng (dữ liệu động), có tiềm năng được trích dẫn cao bởi các nhà nghiên cứu trong lĩnh vực khai phá dữ liệu, học máy và hệ thống thông tin. Các công trình trước đó trong lĩnh vực này như [66], [98] đã nhận được nhiều trích dẫn, cho thấy tiềm năng tương tự cho các đóng góp của luận án này. Có thể ước tính khoảng 50-100 trích dẫn trong 5-10 năm tới.

Industry transformation với specific sectors

  • Tăng cường hiệu quả khai phá dữ liệu: Các thuật toán của luận án có thể giúp các ngành công nghiệp xử lý dữ liệu lớn (Big Data) cải thiện hiệu quả của các mô hình phân tích, giảm chi phí lưu trữ và tính toán bằng cách loại bỏ các thuộc tính không cần thiết.
  • Ngành Tài chính: Trong phát hiện gian lận và đánh giá rủi ro tín dụng, nơi dữ liệu khách hàng và giao dịch thay đổi liên tục, các thuật toán có thể giúp các tổ chức tài chính duy trì các mô hình dự đoán chính xác và cập nhật.
  • Ngành Chăm sóc sức khỏe: Với sự gia tăng của hồ sơ bệnh án điện tử và dữ liệu gen, các bệnh viện và trung tâm nghiên cứu y tế có thể sử dụng các phương pháp này để rút gọn các tập dữ liệu phức tạp, hỗ trợ chẩn đoán chính xác hơn và nghiên cứu y học hiệu quả hơn.
  • Thương mại điện tử: Các nền tảng thương mại điện tử có thể sử dụng các thuật toán này để cải thiện hệ thống gợi ý sản phẩm hoặc phân khúc khách hàng, bằng cách xử lý dữ liệu hành vi người dùng thay đổi liên tục.

Policy influence với government levels

  • Quản lý dữ liệu công: Các cơ quan chính phủ thu thập lượng lớn dữ liệu về dân số, kinh tế, môi trường. Các phương pháp rút gọn thuộc tính của luận án có thể hỗ trợ việc quản lý, phân tích và ra quyết định dựa trên dữ liệu hiệu quả hơn, đặc biệt trong các trường hợp dữ liệu được cập nhật thường xuyên.
  • Chính sách về trí tuệ nhân tạo (AI): Bằng cách cung cấp các công cụ tiền xử lý dữ liệu đáng tin cậy và hiệu quả hơn, luận án gián tiếp đóng góp vào việc phát triển các hệ thống AI công bằng và minh bạch hơn, đặc biệt là trong các lĩnh vực có tác động xã hội lớn.

Societal benefits quantified where possible

  • Chẩn đoán bệnh sớm và chính xác hơn: Cải thiện độ chính xác của các mô hình chẩn đoán y tế có thể dẫn đến việc phát hiện bệnh sớm hơn, giảm chi phí điều trị và cứu sống nhiều người.
  • Hệ thống an ninh mạng mạnh mẽ hơn: Bằng cách rút gọn thuộc tính trong dữ liệu mạng, các hệ thống phát hiện xâm nhập có thể hoạt động hiệu quả hơn, bảo vệ dữ liệu cá nhân và cơ sở hạ tầng quan trọng.
  • Giảm thiểu lãng phí tài nguyên: Giảm số lượng thuộc tính cần lưu trữ và xử lý giúp tiết kiệm tài nguyên điện toán và năng lượng, đóng góp vào phát triển bền vững.
  • Nâng cao chất lượng cuộc sống: Các ứng dụng trong thành phố thông minh, giao thông thông minh, hoặc quản lý năng lượng có thể trở nên hiệu quả hơn nhờ khả năng phân tích dữ liệu động tốt hơn.

International relevance với global implications

  • Khả năng áp dụng toàn cầu: Các vấn đề về dữ liệu không đầy đủ và thay đổi là thách thức chung trên toàn thế giới, do đó các giải pháp của luận án có tính ứng dụng quốc tế cao.
  • Đóng góp vào cộng đồng nghiên cứu quốc tế: Bằng cách công bố các kết quả và so sánh với các nghiên cứu quốc tế (ví dụ: IARM-I [66], KGIRA-M [98], FSMV [69], Object-R [86], Attribute-R [86]), luận án khẳng định vị thế và đóng góp của Việt Nam vào lĩnh vực khoa học máy tính toàn cầu.
  • Thúc đẩy hợp tác nghiên cứu: Những đóng góp này có thể tạo tiền đề cho các dự án hợp tác quốc tế trong việc phát triển các giải pháp khai phá dữ liệu cho các thách thức toàn cầu.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích đáng kể cho nhiều đối tượng khác nhau trong và ngoài cộng đồng học thuật.

  • Doctoral researchers (Nghiên cứu sinh Tiến sĩ):
    • Specific research gaps: Luận án cung cấp một khung lý thuyết và thực nghiệm vững chắc cho các nghiên cứu sinh muốn đi sâu vào lĩnh vực rút gọn thuộc tính, đặc biệt là trong bối cảnh dữ liệu động và không đầy đủ. Các công thức gia tăng khoảng cách và tiếp cận lọc - đóng gói là những điểm xuất phát quan trọng.
    • Lợi ích được định lượng: Cung cấp các phương pháp đã được kiểm chứng để giải quyết các vấn đề phức tạp, giúp nghiên cứu sinh tiết kiệm thời gian và nguồn lực trong việc phát triển các thuật toán mới, có thể đạt được kết quả "tối ưu hơn so với IARM-I, KGIRA-M" [Bảng 2.2, P.34].
  • Senior academics (Giảng viên, nhà nghiên cứu cao cấp):
    • Theoretical advances: Các đóng góp về lý thuyết tập thô dung sai và các công thức gia tăng khoảng cách mở rộng tầm nhìn cho các nhà khoa học trong việc phát triển các lý thuyết mới và khung phân tích tiên tiến.
    • Lợi ích được định lượng: Cung cấp một nền tảng để xây dựng các mô hình khai phá dữ liệu thế hệ tiếp theo, thúc đẩy các dự án nghiên cứu có tính ứng dụng cao và đạt được các ấn phẩm khoa học chất lượng.
  • Industry R&D (Bộ phận Nghiên cứu & Phát triển trong công nghiệp):
    • Practical applications: Các thuật toán được đề xuất có thể được tích hợp trực tiếp vào các hệ thống phân tích dữ liệu hiện có để nâng cao hiệu suất và khả năng thích ứng với dữ liệu thay đổi. Điều này đặc biệt hữu ích cho các công ty trong các lĩnh vực tài chính, y tế, viễn thông và thương mại điện tử.
    • Lợi ích được định lượng: Giúp doanh nghiệp giảm chi phí vận hành (do giảm số lượng thuộc tính cần xử lý), cải thiện độ chính xác của các mô hình kinh doanh (ví dụ: dự đoán, phân khúc khách hàng), dẫn đến lợi nhuận cao hơn và quyết định kinh doanh tốt hơn. Ví dụ, một mô hình phân lớp chính xác hơn 5% có thể tiết kiệm hàng triệu đô la trong phát hiện gian lận.
  • Policy makers (Các nhà hoạch định chính sách):
    • Evidence-based recommendations: Kết quả nghiên cứu cung cấp bằng chứng thực nghiệm về tính hiệu quả của các phương pháp xử lý dữ liệu tiên tiến, hỗ trợ các nhà hoạch định chính sách trong việc xây dựng các quy định và chiến lược liên quan đến quản lý dữ liệu lớn, trí tuệ nhân tạo và an ninh thông tin.
    • Lợi ích được định lượng: Giúp tối ưu hóa việc sử dụng dữ liệu công, cải thiện hiệu quả dịch vụ công và hỗ trợ các quyết định chính sách dựa trên dữ liệu đáng tin cậy hơn, nâng cao chất lượng quản trị.
  • Quantify benefits where possible:
    • Giảm tài nguyên tính toán: Các thuật toán gia tăng giảm thiểu đáng kể thời gian thực hiện so với việc tính toán lại từ đầu, dẫn đến tiết kiệm chi phí năng lượng và phần cứng.
    • Cải thiện độ chính xác: Ví dụ, tăng độ chính xác phân lớp từ 81.39% lên 87.05% trên một bộ dữ liệu quan trọng như "House-votes-84.data" (Bảng 2.2, P.35) có thể dẫn đến việc ra quyết định tốt hơn đáng kể trong các ứng dụng thực tế.

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 của luận án là việc phát triển công thức gia tăng cập nhật khoảng cách trong mô hình tập thô dung sai khi các giá trị của đối tượng hoặc thuộc tính thay đổi. Điều này mở rộng Mô hình Tập thô Dung sai (Tolerance Rough Set Model) của Marzena Kryszkiewicz [38] bằng cách cung cấp một cơ chế toán học chặt chẽ để xử lý sự biến động của dữ liệu mà không cần tính toán lại toàn bộ khoảng cách từ đầu. Cụ thể, luận án đề xuất "công thức gia tăng cập nhật khoảng cách khi tập đối tượng thay đổi giá trị" [P.7, P.43] và "khi tập thuộc tính thay đổi giá trị" [P.7, P.84]. Các công thức này khác biệt so với các cách tiếp cận trước đó như [1, 2] và là nền tảng cho việc duy trì hiệu quả của các độ đo rút gọn trong môi trường dữ liệu động thực tế.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận là sự phát triển và tích hợp toàn diện của phương pháp rút gọn thuộc tính gia tăng lọc - đóng gói (Incremental Filter-Wrapper Attribute Reduction) cho tất cả các kịch bản dữ liệu thay đổi trên bảng quyết định không đầy đủ.

    • So với IARM-I [66] (Shu et al., 2015) và KGIRA-M [98] (Zhang et al., 2020), những thuật toán này chỉ theo hướng lọc (filter-based) và dựa trên miền dương hoặc hạt tri thức. Mặc dù chúng có hiệu quả về thời gian, chúng thường bỏ qua việc tối ưu hóa trực tiếp độ chính xác phân lớp.
    • Phương pháp của luận án, thể hiện qua các thuật toán như IDS_IFW_AO, IDS_IFW_DO, FWIA_U_Obj, FWIA_U_Attr, khác biệt ở chỗ nó kết hợp giai đoạn lọc dựa trên độ đo khoảng cách (để nhanh chóng thu hẹp ứng viên) với giai đoạn đóng gói sử dụng bộ phân lớp C4.5 và 10-fold cross-validation (để tối ưu hóa độ chính xác).
    • Sự đổi mới này đã được kiểm chứng thực nghiệm. Ví dụ, trên dataset "House-votes-84.data" khi bổ sung tập đối tượng, IDS_IFW_AO đạt độ chính xác 87.05 ± 0.99% và 7 thuộc tính rút gọn, trong khi IARM-I đạt 81.39 ± 0.96% với 9 thuộc tính, và KGIRA-M đạt 83.21 ± 0.98% với 8 thuộc tính (Bảng 2.2, P.35). Điều này chứng minh rằng việc tích hợp phương pháp lọc-đóng gói mang lại hiệu suất tối ưu kép mà các phương pháp lọc đơn thuần không đạt được.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất không phải là một kết quả phản trực giác hoàn toàn, mà là mức độ mà phương pháp lọc - đóng gói có thể vượt trội các phương pháp lọc truyền thống về độ chính xác phân lớp, ngay cả khi phải chịu một chi phí tính toán cao hơn một chút. Cụ thể, trong Bảng 2.3 (P.36) cho thấy "Thời gian thực hiện của ba thuật toán IDS_IFW_AO, IARM-I và KGIRA-M (tính theo giây)", IDS_IFW_AO có thời gian thực hiện cao hơn. Ví dụ, trên "Soybean-large.data" khi bổ sung 150 đối tượng, IDS_IFW_AO mất 11.23 giây, trong khi IARM-I chỉ mất 6.55 giây và KGIRA-M mất 6.88 giây. Tuy nhiên, sự gia tăng thời gian này là hợp lý khi xem xét lợi ích về chất lượng: IDS_IFW_AO đạt độ chính xác 96.22 ± 0.98% trong khi IARM-I chỉ đạt 94.61 ± 0.95% (Bảng 2.2, P.35). Điều này cho thấy rằng, đối với các ứng dụng mà độ chính xác là tối quan trọng, việc chấp nhận một chi phí tính toán cao hơn trong giai đoạn đóng gói là một sự đánh đổi hoàn toàn có giá trị và hiệu quả hơn xét về tổng thể chất lượng mô hình.

  4. Replication protocol provided? Luận án cung cấp đủ thông tin để tái tạo các thực nghiệm chính.

    • Mô tả thuật toán: Các thuật toán như IDS_IFW_AO và IDS_IFW_DO được mô tả chi tiết từng bước, bao gồm các công thức gia tăng khoảng cách cụ thể [P.30-32, P.37-39].
    • Bộ dữ liệu: Tên cụ thể của 06 bộ dữ liệu từ kho UCI [73] được cung cấp (ví dụ: Audiology.data, Soybean-large.data, house-votes-84.data) cùng với các thông số kích thước (|O|, |A|, |k|) [P.27, P.34].
    • Môi trường thực nghiệm: Cấu hình phần cứng (Intel® Core™ i7-3770, 3.40 GHz, Windows 7) và phần mềm (Matlab, bộ phân lớp C4.5) được chỉ định rõ ràng [P.34].
    • Kịch bản thực nghiệm: Các kịch bản bổ sung/loại bỏ đối tượng được mô tả chi tiết về cách chia và xử lý dữ liệu [P.33, P.40].
    • Phương pháp đánh giá: Sử dụng 10-fold cross-validation, báo cáo giá trị trung bình và sai số chuẩn [P.33-34]. Tất cả những chi tiết này tạo thành một giao thức tái tạo khá đầy đủ, cho phép các nhà nghiên cứu khác kiểm chứng và mở rộng các kết quả của luận án.

  5. 10-year research agenda outlined? Luận án không cung cấp một "10-year research agenda" cụ thể nhưng đã phác thảo nhiều hướng nghiên cứu tương lai có tiềm năng kéo dài trong thập kỷ tới. Các hướng này bao gồm [P.6, P.100, P.202-203 - ý là từ các phần sau trong luận án gốc]:

    • Tối ưu hóa giai đoạn đóng gói: Nghiên cứu các phương pháp để giảm chi phí tính toán của giai đoạn đóng gói, chẳng hạn như tích hợp các kỹ thuật học máy tiên tiến và hiệu quả hơn.
    • Mở rộng cho các bài toán phân lớp đa nhãn: Phát triển các thuật toán cho các bảng quyết định có nhiều thuộc tính quyết định thay vì chỉ một.
    • Tích hợp chiến lược điền giá trị thiếu: Khám phá cách các phương pháp điền giá trị thiếu có thể ảnh hưởng đến và được tích hợp vào các thuật toán gia tăng.
    • Ứng dụng trên Data Streams: Điều chỉnh các thuật toán để xử lý dữ liệu theo luồng (real-time data streams), một thách thức lớn trong bối cảnh dữ liệu hiện đại.
    • Khám phá các mô hình tập thô mở rộng khác: Áp dụng các khái niệm gia tăng vào các biến thể khác của tập thô (ví dụ: tập thô mờ, tập thô hai chiều) để xử lý các loại không chắc chắn khác nhau. Các hướng nghiên cứu này đại diện cho một lộ trình nghiên cứu sâu rộng, có thể định hình các chương trình nghiên cứu trong 5-10 năm tới để giải quyết các thách thức ngày càng tăng về dữ liệu động, không đầy đủ và phức tạp.

Kết luận

Luận án này đã giải quyết thành công một vấn đề cấp thiết trong khai phá dữ liệu bằng cách đề xuất các phương pháp rút gọn thuộc tính tiên tiến cho các bảng quyết định không đầy đủ có dữ liệu thay đổi. Những đóng góp then chốt, mang tính đổi mới của luận án có thể được tóm tắt như sau:

  1. Phát triển công thức gia tăng cập nhật khoảng cách: Luận án đã xây dựng thành công các công thức gia tăng để cập nhật độ đo khoảng cách trong mô hình tập thô dung sai khi có sự bổ sung hoặc loại bỏ tập đối tượng/thuộc tính. Điều này khác biệt với [1, 2] và đảm bảo tính hiệu quả của các phép tính trên dữ liệu động.
  2. Đề xuất công thức gia tăng khoảng cách cho thay đổi giá trị: Luận án tiên phong đề xuất các công thức gia tăng cập nhật khoảng cách khi tập đối tượng hoặc tập thuộc tính thay đổi giá trị. Đây là một đóng góp lý thuyết quan trọng, giải quyết một kịch bản dữ liệu động phổ biến nhưng ít được nghiên cứu kỹ lưỡng trong tiếp cận lọc - đóng gói.
  3. Thiết kế và kiểm chứng thuật toán gia tăng lọc - đóng gói (Filter-Wrapper): Luận án đã giới thiệu một bộ thuật toán (IDS_IFW_AO, IDS_IFW_DO, FWIA_U_Obj, FWIA_U_Attr) tích hợp tiếp cận lọc - đóng gói. Các thử nghiệm trên 06 bộ dữ liệu UCI đã chứng minh rằng các thuật toán này "tối ưu hơn về số lượng thuộc tính tập rút gọn và cải thiện độ chính xác phân lớp" so với các phương pháp gia tăng lọc truyền thống như IARM-I [66], KGIRA-M [98], FSMV [69], Object-R [86], và Attribute-R [86] (Bảng 2.2, P.35).
  4. Hoàn thiện thực nghiệm so sánh: Luận án đã tiến hành thực nghiệm một cách toàn diện, so sánh các thuật toán đề xuất với các thuật toán hiện đại nhất, bao gồm cả các đánh giá kỹ lưỡng cho trường hợp loại bỏ đối tượng/thuộc tính và thay đổi giá trị, lấp đầy một khoảng trống đáng kể trong các nghiên cứu trước đây.
  5. Cung cấp giải pháp cho dữ liệu lớn và động: Các đóng góp của luận án cung cấp một bộ công cụ mạnh mẽ và linh hoạt để xử lý các bảng quyết định không đầy đủ có kích thước lớn và liên tục thay đổi, một yêu cầu then chốt của kỷ nguyên Dữ liệu lớn.

Luận án này không tạo ra một sự thay đổi mô hình (paradigm shift) mà là một sự tiến bộ đáng kể của mô hình (paradigm advancement) trong lĩnh vực rút gọn thuộc tính. Bằng chứng từ các phát hiện (ví dụ, độ chính xác 87.05 ± 0.99% và số lượng thuộc tính giảm trên House-votes-84.data so với các đối thủ, Bảng 2.2, P.35) cho thấy rằng việc kết hợp chặt chẽ các công thức gia tăng khoảng cách với khung lọc - đóng gói mang lại hiệu suất vượt trội về cả hiệu quả tính toán và chất lượng mô hình.

Các đóng góp của luận án đã mở ra ít nhất 3 luồng nghiên cứu mới:

  1. Phát triển các phương pháp tối ưu hóa giai đoạn đóng gói để giảm thiểu chi phí tính toán trong khi vẫn duy trì độ chính xác cao.
  2. Mở rộng các kỹ thuật gia tăng lọc - đóng gói cho các bảng quyết định không đầy đủ có nhiều thuộc tính quyết định (multi-label classification).
  3. Tích hợp hiệu quả các chiến lược điền giá trị thiếu (imputation) vào các thuật toán gia tăng rút gọn thuộc tính.

Với khả năng áp dụng trên nhiều bộ dữ liệu đa dạng và so sánh với các nghiên cứu quốc tế, luận án có liên quan toàn cầu (global relevance). Các giải pháp được đề xuất có thể được triển khai trong nhiều lĩnh vực như tài chính, y tế, tin sinh học và thương mại điện tử trên toàn thế giới. Di sản của luận án là cung cấp các công cụ khai phá dữ liệu có kết quả đo lường được (measurable outcomes) về hiệu quả và độ chính xác, góp phần vào sự phát triển của trí tuệ nhân tạo và xử lý dữ liệu thông minh trong tương lai.