Tổng quan về luận án

Trong kỷ nguyên bùng nổ dữ liệu lớn, việc xử lý các luồng thông tin không chắc chắn, mơ hồ đi kèm tính chất chu kỳ, tần suất và biến thiên thời gian đặt ra thách thức nghiêm trọng đối với các hệ thống trí tuệ nhân tạo (AI) và hệ suy diễn dựa trên tri thức. Luận án tiến sĩ ngành Khoa học Máy tính (mã số 9 48 01 01) của nghiên cứu sinh Triệu Thu Hương (2024), được thực hiện dưới sự hướng dẫn khoa học của PGS.TS Nguyễn Long Giang và PGS.TS Lê Hoàng Sơn tại Học viện Khoa học và Công nghệ (Viện Hàn lâm Khoa học và Công nghệ Việt Nam) cùng sự phối hợp của Lab AI 4.0, là công trình tiên phong giải quyết nút thắt cổ chai về độ phức tạp tính toán và độ trễ thời gian trong hệ suy diễn mờ phức (Complex Fuzzy Inference System - CFIS).

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tế: mô hình suy diễn mờ phức kinh điển Mamdani (M-CFIS) có khả năng biểu diễn xuất sắc thông tin 2 chiều (biên độ và pha) theo lý thuyết tập mờ phức của Ramot et al. (2002), song "cơ sở luật được tạo ra trực tiếp từ toàn bộ dữ liệu mà chưa thực sự học... chính thành phần pha sinh ra trong quá trình mô tả các yếu tố chu kỳ/định kỳ làm thời gian xử lý tăng lên" dẫn đến sự bùng nổ luật và chi phí tính toán khổng lồ khi dữ liệu tăng trưởng quy mô lớn hoặc cập nhật liên tục. Trong khi đó, các hệ học chuyển giao mờ (Fuzzy Transfer Learning - FTL) hiện hữu của Jethro & Simon (2014) hay Behbood et al. (2014) chỉ giới hạn ở tập mờ loại 1 truyền thống, hoàn toàn vắng bóng các cơ chế học chuyển giao trên không gian mờ phức (Complex Fuzzy Set - CFS).

Luận án thiết lập 2 câu hỏi nghiên cứu và giả thuyết tương ứng:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để tái sử dụng tri thức mờ phức (hàm thuộc và cơ sở luật) từ một miền nguồn có sẵn ($N_O$) nhằm xây dựng hệ suy diễn mờ phức cho miền đích quy mô lớn ($N_\Psi$) với thời gian huấn luyện tối thiểu mà vẫn duy trì hoặc gia tăng độ chính xác?
    • Giả thuyết 1 (H1): Cơ chế học chuyển giao 4 giai đoạn kết hợp kỹ thuật lấy mẫu không gian con (subspace sampling) cho phép giảm thiểu từ 40% đến trên 70% thời gian tạo dựng hệ suy diễn mờ phức miền đích so với phương pháp huấn luyện truyền thống.
  • Câu hỏi nghiên cứu 2 (RQ2): Cấu trúc biểu diễn tri thức nào có thể tối ưu hóa thời gian suy diễn và cho phép thao tác thích nghi, hiệu chỉnh, phân tách và hợp nhất luật mờ phức theo thời gian thực?
    • Giả thuyết 2 (H2): Biểu diễn cơ sở luật mờ phức bằng cấu trúc đồ thị có hướng (Complex Fuzzy Rule Graph - CFRG) cho phép giảm độ phức tạp tìm kiếm, giảm số lượng luật dư thừa và hạ thấp phương sai thời gian suy diễn so với cấu trúc danh sách luật phẳng truyền thống.

Khung lý thuyết của công trình tích hợp liên ngành giữa Lý thuyết logic mờ phức (Complex Fuzzy Logic - CFL), Lý thuyết học chuyển giao quy nạp/chuyển tiếp (Transfer Learning Theory) và Lý thuyết đồ thị có hướng (Directed Graph Theory). Phạm vi thực nghiệm bao quát 4 bộ dữ liệu chuẩn quốc tế từ kho lưu trữ UCI (Pima Indians Diabetes, Breast Cancer Wisconsin, Credit Card Approval, Bupa Liver Disorders) cùng bộ dữ liệu lâm sàng thực tế thu thập tại Bệnh viện Gang thép Thái Nguyên. Kết quả định lượng minh chứng mô hình đề xuất vừa cắt giảm đột phá thời gian xử lý và số lượng luật sinh ra, vừa bảo toàn độ chính xác phân loại tương đương hoặc vượt trội phương pháp truyền thống.

Literature Review và Positioning

Tổng quan y văn chỉ ra sự phát triển qua 3 làn sóng nghiên cứu chính:

  1. Làn sóng lý thuyết tập mờ và suy diễn mờ: Khởi nguồn từ lý thuyết tập mờ của Zadeh (1965), các hệ suy diễn mờ (FIS) ra đời với 3 nhánh tiêu biểu gồm Mamdani (1975) dựa trên suy luận ngôn ngữ trực quan, Takagi-Sugeno-Kang (TSK, 1985) sử dụng hàm tuyến tính ở phần kết luận tối ưu cho điều khiển, và Tsukamoto (1979) sử dụng hàm thuộc đơn điệu. Nhằm khắc phục hạn chế chỉ biểu diễn một chiều mức độ thuộc $\mu_A(x) \in [0, 1]$, Ramot et al. (2002, 2003) đã đề xuất tập mờ phức (CFS) với hàm thuộc $\mu_H(l) = \vartheta_H(l) e^{j\varpi_H(l)}$, trong đó biên độ $\vartheta_H(l) \in [0, 1]$ phản ánh độ thuộc mờ và thành phần pha $\varpi_H(l) \in (0, 2\pi]$ nắm bắt thông tin chu kỳ, tần suất và ngữ cảnh thời gian.
  2. Làn sóng mở rộng hệ suy diễn nơ-ron mờ phức: Li & Jang phát triển CANFIS (Complex Neuro-Fuzzy Inference System) mở rộng cho tín hiệu phi tuyến viễn thông nhưng phân tách nhân tạo phần thực và ảo, làm mất tính đồng nhất toán học và bùng nổ số lượng luật. Chen et al. (2010) đề xuất ANCFIS kết hợp mạng nơ-ron phức cho chuỗi thời gian, tiếp nối bởi FANCFIS và ANCFIS-ELM (2017). Gần đây nhất, Yazdanbakhsh & Dick (2018) chuẩn hóa hệ suy diễn mờ phức Mamdani (M-CFIS) ứng dụng trong hỗ trợ ra quyết định lâm sàng và điều khiển robot. Tuy nhiên, các biến thể M-CFIS giảm luật (M-CFIS-R) và M-CFIS đồ thị tri thức (M-CFIS-FKG) của nhóm tác giả vẫn dựa trên nguyên lý học cục bộ từ đầu (scratch learning) trên toàn bộ không gian mẫu.
  3. Làn sóng học chuyển giao và học chuyển giao mờ: Pan & Yang (2010) và Weiss et al. (2016) hệ thống hóa học chuyển giao thành 3 nhóm: quy nạp (ITL), chuyển tiếp (TTL) và không giám sát (UTL), tập trung trả lời 3 câu hỏi: "Chuyển giao cái gì?", "Chuyển giao như thế nào?" và "Khi nào chuyển giao?". Để xử lý bất định, Jethro & Simon (2014) khởi xướng FTL, theo sau bởi các nghiên cứu của Deng et al. (2016) và Zheng et al. (2019) áp dụng FTL vào phân loại ảnh y tế, đánh giá rủi ro tín dụng và dự báo chuỗi tài chính.
                  ┌────────────────────────────────────────┐
                  │ Lý thuyết Tập mờ (Zadeh, 1965)          │
                  └───────────────────┬────────────────────┘
                                      │
            ┌─────────────────────────┴────────────────────────┐
            ▼                                                  ▼
┌───────────────────────────────┐              ┌───────────────────────────────┐
│ Logic mờ phức (Ramot, 2002)   │              │ Học chuyển giao (Pan & Yang)  │
│ M-CFIS (Yazdanbakhsh, 2018)   │              │ FTL (Jethro & Simon, 2014)    │
└───────────────┬───────────────┘              └───────────────┬───────────────┘
                │                                              │
                └──────────────────────┬───────────────────────┘
                                       ▼
    ╔═════════════════════════════════════════════════════════════════════╗
    ║ CÔNG TRÌNH LUẬN ÁN (Triệu Thu Hương, 2024):                         ║
    ║ Hệ học chuyển giao mờ phức dựa trên lấy mẫu không gian con (CFTL)   ║
    ║ và Biểu diễn cơ sở luật trên đồ thị có hướng (CFRG / CFRGTL)        ║
    ╚═════════════════════════════════════════════════════════════════════╝

Tranh luận học thuật cốt lõi diễn ra giữa hai trường phái:

  • Quan điểm 1 (Full Data Optimization): Cho rằng hệ suy diễn mờ phức bắt buộc phải tối ưu hóa trên toàn bộ không gian dữ liệu miền đích để đảm bảo tính bao phủ của hàm thuộc biên độ và góc pha.
  • Quan điểm 2 (Transferred Rule Adaptation): Trường phái do luận án ủng hộ, khẳng định rằng cấu trúc phân phối tri thức mờ phức giữa miền nguồn và đích có sự tương đồng cốt lõi; việc lấy mẫu không gian con đại diện và thích nghi luật có kiểm soát sẽ loại bỏ nhiễu biên, rút ngắn cấp số nhân thời gian tính toán mà không làm suy giảm năng lực khái quát hóa.

So sánh với hai nghiên cứu quốc tế điển hình:

  • So với mô hình ANCFIS của Chen et al. (2010) vốn bị giới hạn bởi cấu trúc nơ-ron 1 biến đầu vào cho chuỗi thời gian, mô hình của luận án xử lý đa biến tổng quát với cấu trúc mờ phức Mamdani minh bạch (transparent/interpretable).
  • So với nghiên cứu FTL của Jethro & Simon (2014) vốn chỉ áp dụng trên không gian mờ truyền thống $\mathbb{R}$, luận án mở rộng toàn diện khung toán học của học chuyển giao sang không gian mờ phức $\mathbb{C}$ với đầy đủ các toán tử pha và biên độ.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp trực tiếp vào việc hoàn thiện Lý thuyết Tập mờ phức (Ramot et al., 2002) và Lý thuyết Học chuyển giao (Pan & Yang, 2010) thông qua việc xây dựng khung toán học cho hệ học chuyển giao mờ phức (Complex Fuzzy Transfer Learning - CFTL):

  1. Mở rộng không gian thích nghi hàm thuộc mờ phức: Thiết lập công thức co giãn và dịch chuyển miền giá trị của hàm thuộc phức $\mu_H(l) = \vartheta_H(l) e^{j\varpi_H(l)}$ từ miền nguồn $\mathcal{D}_S = {\mathcal{X}_S, P(X_S)}$ sang miền đích $\mathcal{D}_T = {\mathcal{X}_T, P(X_T)}$, bảo toàn tính tương quan góc pha biểu diễn chu kỳ/tần suất giữa các thuộc tính.
  2. Cơ chế thích nghi và giải quyết xung đột luật mờ phức (Complex Fuzzy Rule Adaptation): Đề xuất nguyên lý đánh giá độ mạnh của luật $\varpi_u = \tau_u e^{j\xi_u}$ và phân loại trạng thái luật thành luật thích nghi trực tiếp, luật ứng cử cần chỉnh sửa và luật triệt tiêu, ngăn ngừa hiện tượng chuyển giao tiêu cực (negative transfer).
  3. Mệnh đề chuyển giao không gian con (Subspace Transfer Proposition): Chứng minh rằng trong điều kiện nhiệm vụ nguồn và đích đồng nhất về phân phối đặc trưng nhưng khác biệt về khoảng biến thiên thuộc tính, việc chuyển giao tri thức cơ sở luật kết hợp lấy mẫu phân tầng/hệ thống trên không gian con sẽ tiệm cận nghiệm suy diễn tối ưu toàn cục.
   Miền Nguồn (DS, TS)                   Miền Đích (DT, TT)
┌────────────────────────┐             ┌────────────────────────┐
│  M-CFIS Miền Nguồn     │             │  Dữ liệu mẫu nhỏ DT,sub│
│  - Tập mờ phức CFS     │             │  (Lấy mẫu không gian con)│
│  - Cơ sở luật CFRs     │             └───────────┬────────────┘
└───────────┬────────────┘                         │
            │                                      │
            ▼                                      ▼
┌───────────────────────────────────────────────────────────────┐
│     KHUNG HỌC CHUYỂN GIAO MỜ PHỨC (CFTL) - 4 GIAI ĐOẠN        │
│ 1. Lấy mẫu thích nghi  ──► 2. Hiệu chỉnh miền tập mờ phức     │
│ 3. Thích nghi cơ sở luật ──► 4. Tổng hợp & kết hợp cơ sở luật │
└───────────────────────────────┬───────────────────────────────┘
                                │
                                ▼
┌───────────────────────────────────────────────────────────────┐
│  CẤU TRÚC ĐỒ THỊ LUẬT MỜ PHỨC CÓ HƯỚNG (CFRG & CFRGTL)        │
│  - Nút mờ phức (CFN): Biên độ [0,1] + Pha (0, 2π]             │
│  - Thuật toán: Thêm, Xóa, Tìm kiếm, Sửa (Tách/Nhập nút)       │
│  - Suy diễn đồ thị & Trộn đồ thị (Merge Sub-CFRGs)            │
└───────────────────────────────┬───────────────────────────────┘
                                │
                                ▼
                 HỆ M-CFIS TỐI ƯU CHO MIỀN ĐÍCH

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp 3 trụ cột lý thuyết: (1) Lý thuyết logic mờ phức Mamdani, (2) Kỹ thuật lấy mẫu thống kê không gian con (Subspace Sampling), và (3) Cấu trúc đồ thị tri thức có hướng (Directed Graph Topology).

  • Cấu trúc nút mờ phức (Complex Fuzzy Node - CFN): Mỗi nút $v \in \mathcal{V}$ trong CFRG lưu trữ bộ giá trị $(\vartheta, \varpi)$ đại diện cho thuộc tính và giá trị ngôn ngữ tương ứng. Các cạnh có hướng $\mathcal{E}$ kết nối các biến tiền đề theo thứ tự định sẵn dẫn tới nút kết luận.
  • Tính toán suy diễn song song trên đồ thị: Thay vì duyệt tuyến tính $O(R \cdot M)$ với $R$ luật và $M$ thuộc tính, cấu trúc CFRG cho phép chia sẻ các nút tiền đề chung (common antecedents), hạ độ phức tạp tính toán xuống mức tỷ lệ với độ sâu của đồ thị.
  • Điều kiện biên (Boundary Conditions): Luận án chỉ rõ phạm vi áp dụng: "nhiệm vụ nguồn và nhiệm vụ đích giống nhau, nhiệm vụ nguồn và nhiệm vụ đích cùng phân phối, cùng số lượng thuộc tính nhưng khác nhau về khoảng miền giá trị của các thuộc tính" ($\mathcal{X}_S = \mathcal{X}_T, \mathcal{Y}_S = \mathcal{Y}_T, \mathcal{T}_S = \mathcal{T}_T, \text{Dom}(X_S) \neq \text{Dom}(X_T)$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan thực nghiệm chuẩn xác (Positivism / Quantitative Experimental Research), kết hợp phân tích toán học giải tích với mô phỏng tính toán quy mô lớn.

Thiết kế thực nghiệm bao gồm 2 tầng cấu trúc:

  • Tầng 1 (Đánh giá mô hình CFTL): Đánh giá hiệu năng của khung học chuyển giao mờ phức 4 bước trên các bộ dữ liệu kích thước đa dạng.
  • Tầng 2 (Đánh giá cấu trúc đồ thị CFRG và hệ CFRGTL): Kiểm thử 8 thuật toán thao tác trên đồ thị (Thêm luật, Duyệt luật DFS/BFS, Tìm kiếm luật, Xóa luật, Suy diễn mờ phức trên đồ thị, Sửa luật qua tách/nhập nút, Tách CFRG con, và Trộn hai đồ thị CFRG).

Dữ liệu và đặc tả mẫu

Luận án sử dụng 4 bộ dữ liệu kinh điển quốc tế từ UCI Machine Learning Repository và 1 bộ dữ liệu thực tế tại Việt Nam:

Tên bộ dữ liệu Nguồn gốc Số lượng mẫu ($N$) Số lượng thuộc tính Bản chất bài toán
Pima Indians Diabetes UCI 768 mẫu 8 thuộc tính y sinh Chẩn đoán đái tháo đường
Breast Cancer Wisconsin UCI 699 mẫu 9 thuộc tính tế bào học Phân loại khối u lành/ác tính
Credit Card Approval UCI 690 mẫu 15 thuộc tính hỗn hợp Đánh giá phê duyệt tín dụng
Bupa Liver Disorders UCI 345 mẫu 6 thuộc tính xét nghiệm Phân loại rối loạn chức năng gan
Dữ liệu Bệnh Gan Lâm Sàng BV Gang thép Thái Nguyên Dữ liệu thực tế Đa thuộc tính lâm sàng Chẩn đoán bệnh lý gan 
               QUY TRÌNH THỰC NGHIỆM ĐỒNG HÓA VÀ KIỂM ĐỊNH
┌────────────────────────┐     ┌────────────────────────┐     ┌────────────────────────┐
│  Tiền xử lý Dữ liệu    │ ──► │  Phân chia Miền Dữ liệu│ ──► │  Thiết kế Kịch bản     │
│  - Làm sạch, chuẩn hóa │     │  - Nguồn (NO mẫu nhỏ)  │     │  - KB1: So sánh M-CFIS │
│  - Tạo thành phần pha  │     │  - Đích (NΨ mẫu lớn)   │     │    truyền thống & CFTL │
│  - Mã hóa thuộc tính   │     │  - Lấy mẫu không gian  │     │  - KB2: Tích hợp CFRG  │
└────────────────────────┘     └────────────────────────┘     └───────────┬────────────┘
                                                                          │
                                                                          ▼
┌────────────────────────┐     ┌────────────────────────┐     ┌────────────────────────┐
│  Đánh giá Thống kê     │ ◄── │  Kiểm định Độ trễ      │ ◄── │  Đo lường Hiệu năng    │
│  - Phương sai thời gian│     │  - Thời gian huấn luyện│     │  - Accuracy, Precision │
│  - Độ lệch chuẩn (Std) │     │  - Thời gian suy diễn  │     │  - Recall, F1-Score    │
└────────────────────────┘     └────────────────────────┘     └────────────────────────┘

Quy trình nghiên cứu và công cụ cài đặt

  1. Tiền xử lý và gán pha: Dữ liệu số được chuẩn hóa; thành phần biên độ $\vartheta \in [0, 1]$ xác định qua hàm thuộc hình chuông Gaussian/tam giác; thành phần pha $\varpi \in (0, 2\pi]$ được ánh xạ đại diện cho chu kỳ sinh học, tần suất xét nghiệm hoặc biến động tài chính.
  2. Kỹ thuật lấy mẫu: Áp dụng kết hợp lấy mẫu phân tầng (Stratified Sampling) và lấy mẫu hệ thống (Systematic Sampling) để trích xuất tập con đại diện $\mathcal{D}_{T,\text{sub}}$ từ miền đích với tỷ lệ tối ưu từ 10% đến 30% quy mô dữ liệu.
  3. Môi trường và công cụ triển khai: Toàn bộ thuật toán được lập trình bằng Python, tận dụng các thư viện tính toán khoa học chuyên sâu (NumPy, SciPy, NetworkX cho cấu trúc đồ thị), thực thi trên hệ thống máy trạm hiệu năng cao tại Lab AI 4.0.
  4. Độ đo đánh giá đa chiều: Đánh giá thông qua Độ chính xác (Accuracy), Độ nhạy (Recall), Độ chuẩn xác (Precision), Số lượng luật sinh ra ($R$), Tổng thời gian thực thi (Execution Time tính bằng giây/mili-giây), cùng Phương sai (Variance) và Độ lệch chuẩn (Standard Deviation) của thời gian nhằm kiểm định tính ổn định giải thuật.

Phát hiện đột phá và implications

Những phát hiện then chốt

Các chuỗi thực nghiệm đối sánh đa chiều mang lại 4 phát hiện đột phá:

TỐC ĐỘ HUẤN LUYỆN & XÂY DỰNG HỆ THỐNG
M-CFIS Truyền thống:  ████████████████████ (100% Thời gian - Cơ sở luật bùng nổ)
CFTL (Đề xuất Ch.2):  ████████ (Giảm 50% - 65% thời gian)
CFRGTL (Đề xuất Ch.3):████ (Giảm 68% - 78% thời gian, Số luật tối giản, Độ trễ cực thấp)

ĐỘ CHÍNH XÁC PHÂN LOẠI (ACCURACY)
M-CFIS Truyền thống:  ████████████████░ 82.4% - 94.1%
CFTL / CFRGTL:        █████████████████ 84.1% - 95.8% (Bảo toàn & Tăng nhẹ nhờ khử nhiễu)
  1. Rút ngắn vượt bậc thời gian xây dựng hệ suy diễn: Trên cả 4 tập dữ liệu chuẩn UCI và dữ liệu thực tế tại Bệnh viện Gang thép Thái Nguyên, hệ học chuyển giao mờ phức CFTL và hệ CFRGTL giúp cắt giảm từ 50% đến hơn 75% tổng thời gian huấn luyện và sinh luật so với việc xây dựng hệ M-CFIS trực tiếp từ toàn bộ dữ liệu đích.
  2. Tối ưu hóa và kiểm soát hiện tượng bùng nổ cơ sở luật: Cấu trúc CFRG kết hợp cơ chế hợp nhất và lọc luật ứng cử giúp giảm mạnh số lượng luật mờ phức dư thừa ($R$) từ 35% đến 60% so với phương pháp cổ điển, giải quyết triệt để bài toán thắt nút cổ chai bộ nhớ.
  3. Bảo toàn và cải thiện độ chính xác phân loại: Trái với lo ngại rằng việc chỉ sử dụng mẫu không gian con sẽ làm giảm hiệu năng, mô hình CFRGTL duy trì độ chính xác tương đương, thậm chí cao hơn từ 1.2% đến 3.5% trên các tập dữ liệu nhiễu (như Pima Diabetes và Credit Card). Hiện tượng này được giải thích về mặt lý thuyết: việc thích nghi luật từ miền nguồn đóng vai trò như một bộ điều chuẩn (regularizer), giúp mô hình tránh hiện tượng quá khớp (overfitting) với các mẫu cá biệt ở miền đích.
  4. Ổn định hóa phương sai thời gian suy diễn: Phương sai và độ lệch chuẩn của thời gian thực hiện trên cấu trúc CFRG giảm rõ rệt, chứng minh tính tiền định (deterministic behavior) cao của các giải thuật duyệt đồ thị DFS/BFS so với việc quét tuần tự cơ sở luật dạng mảng.

Hàm ý đa chiều (Implications)

  • Hàm ý lý thuyết: Thiết lập nền tảng vững chắc cho nhánh nghiên cứu mới: Học chuyển giao mờ phức trên cấu trúc đồ thị. Chứng minh khả năng liên kết giữa biểu diễn số phức và biểu diễn tri thức dạng cấu trúc mạng.
  • Hàm ý phương pháp luận: Cung cấp bộ công cụ thuật toán đồ thị hoàn chỉnh (8 thuật toán trên CFRG) có thể tái sử dụng nguyên vẹn cho các bài toán suy luận mờ phức khác như điều khiển mờ phức, dự báo chuỗi thời gian hay hệ khuyến nghị ngữ cảnh.
  • Hàm ý thực tiễn và chuyển giao công nghệ y tế: Việc ứng dụng thành công trên dữ liệu bệnh nhân thực tế tại Bệnh viện Gang thép Thái Nguyên mở ra cơ hội xây dựng các hệ thống hỗ trợ ra quyết định lâm sàng (CDSS) tốc độ cao, có khả năng giải thích (Explainable AI - XAI), minh bạch đường dẫn suy luận đồ thị cho bác sĩ chẩn đoán.
  • Hàm ý chính sách chuyển đổi số: Cung cấp giải pháp công nghệ then chốt cho các hệ thống AI phục vụ tài chính - ngân hàng và y tế số tại Việt Nam, đáp ứng tiêu chuẩn xử lý dữ liệu lớn theo thời gian thực mà không đòi hỏi chi phí đầu tư phần cứng máy chủ quá lớn.

Limitations và Future Research

Nhìn nhận một cách khách quan theo chuẩn mực học thuật quốc tế, luận án chỉ rõ các giới hạn nội tại:

  1. Ràng buộc về không gian đặc trưng đồng nhất (Homogeneous Transfer Setting): Mô hình hiện tại tập trung vào trường hợp nhiệm vụ nguồn và đích có cùng tập thuộc tính ($\mathcal{X}_S = \mathcal{X}_T$). Chưa bao quát kịch bản học chuyển giao dị thể (Heterogeneous Transfer Learning) khi miền nguồn và đích có số chiều hoặc ngữ nghĩa thuộc tính khác biệt.
  2. Độ nhạy của siêu tham số pha: Việc xác định góc pha $\varpi$ ban đầu vẫn dựa trên các hàm giả định chu kỳ hoặc chuẩn hóa theo tần suất quan sát, chưa có cơ chế học sâu tự động tối ưu góc pha từ dữ liệu thô.
  3. Độ phức tạp khi mở rộng đồ thị siêu lớn: Dù CFRG vượt trội trên dữ liệu trung bình và lớn, khi số chiều thuộc tính tăng lên hàng nghìn (dữ liệu gene/ảnh), số lượng nút mờ phức phân nhánh có thể tạo áp lực lên bộ nhớ RAM.

Chương trình nghiên cứu tương lai (Future Agenda) gồm 4 hướng chiến lược:

  • Hướng 1: Phát triển mô hình Heterogeneous Complex Fuzzy Transfer Learning (H-CFTL) cho phép chuyển giao tri thức giữa các miền dữ liệu không cùng không gian đặc trưng thông qua ánh xạ đa tạp (manifold mapping).
  • Hướng 2: Tích hợp mạng nơ-ron đồ thị mờ phức sâu (Deep Complex Fuzzy Graph Neural Networks) nhằm tự động học biểu diễn pha và biên độ trực tiếp từ dữ liệu phi cấu trúc.
  • Hướng 3: Mở rộng thuật toán cắt tỉa đồ thị động (Dynamic Online Graph Pruning) phục vụ xử lý luồng dữ liệu thời gian thực (real-time edge IoT streaming).
  • Hướng 4: Đóng gói thư viện mã nguồn mở chuẩn hóa phục vụ cộng đồng nghiên cứu AI mờ quốc tế.

Tác động và ảnh hưởng

               MA TRẬN LAN TỎA GIÁ TRỊ VÀ TÁC ĐỘNG
┌──────────────────────────────────────────────────────────────────────┐
│ HỌC THUẬT QUỐC TẾ: Đặt nền móng FTL mờ phức & Cấu trúc CFRG          │
│ Dự kiến chỉ số trích dẫn cao trong các tạp chí Q1 (IEEE TFS, INS)    │
└──────────────────────────────────┬───────────────────────────────────┘
                                   │
         ┌─────────────────────────┴─────────────────────────┐
         ▼                                                   ▼
┌──────────────────────────────────┐┌──────────────────────────────────┐
│ CÔNG NGHIỆP & Y TẾ SỐ:           ││ QUẢN TRỊ & CHÍNH SÁCH:           │
│ Ứng dụng CDSS tại BV Thái Nguyên ││ Chuẩn hóa AI giải thích được     │
│ Phê duyệt tín dụng tự động XAI   ││ Tối ưu hạ tầng tính toán xanh    │
└──────────────────────────────────┘└──────────────────────────────────┘

Công trình của NCS Triệu Thu Hương mang lại tác động sâu rộng:

  • Tác động học thuật: Khai phá một giao điểm nghiên cứu mới giữa Logic mờ phức, Học chuyển giao và Cấu trúc đồ thị. Các bài báo công bố từ luận án trên các tạp chí khoa học uy tín khẳng định vị thế của các nhà khoa học Việt Nam trên bản đồ nghiên cứu Trí tuệ tính toán (Computational Intelligence) quốc tế.
  • Chuyển đổi công nghiệp y tế và tài chính: Cung cấp công cụ chẩn đoán có khả năng giải thích cao cho ngành y tế (tiêu biểu tại Thái Nguyên) và mô hình phân tích rủi ro tín dụng chu kỳ cho các ngân hàng thương mại, bảo vệ quyền lợi người dùng cuối nhờ tính minh bạch của luật IF-THEN mờ phức.
  • Lợi ích xã hội và tính toán xanh (Green AI): Nhờ giảm tới 75% thời gian tính toán và giảm tải phần cứng, mô hình đóng góp trực tiếp vào mục tiêu giảm tiêu thụ năng lượng của các trung tâm dữ liệu AI.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung lý thuyết toán học hoàn chỉnh về học chuyển giao mờ phức, mã nguồn thuật toán CFRG rõ ràng làm nền tảng phát triển các đề tài sau tiến sĩ.
  • Chuyên gia AI và Kỹ sư R&D: Sở hữu công nghệ thay thế mạng nơ-ron hộp đen (black-box) bằng hệ chuyên gia mờ phức có khả năng tự học, tự thích ứng miền và suy diễn siêu tốc trên đồ thị.
  • Đội ngũ Y bác sĩ và Nhà quản lý Bệnh viện: Khai thác hệ thống hỗ trợ ra quyết định lâm sàng có độ chính xác cao, xử lý được dữ liệu xét nghiệm biến thiên theo chu kỳ thời gian và đưa ra giải thích tường minh.
  • Cơ quan Hoạch định Chính sách: Có căn cứ khoa học vững chắc để xây dựng các tiêu chuẩn quốc gia về Trí tuệ nhân tạo có trách nhiệm và minh bạch (Responsible & Transparent AI).

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc thiết lập Khung học chuyển giao mờ phức (CFTL) đầu tiên trên thế giới kết hợp với Cấu trúc đồ thị luật mờ phức (CFRG). Công trình mở rộng trực tiếp Lý thuyết Logic mờ phức của Ramot et al. (2002, 2003) và Hệ suy diễn mờ phức Mamdani (M-CFIS) của Yazdanbakhsh & Dick (2018) từ trạng thái học tĩnh, cục bộ sang trạng thái thích ứng miền động (domain-adaptive), đồng thời tổng quát hóa lý thuyết học chuyển giao của Pan & Yang (2010) lên không gian số phức $\mathbb{C}$.

2. Đột phá phương pháp luận của cấu trúc CFRG so với các công trình quốc tế tiền nhiệm?

So với các cấu trúc mờ nơ-ron phẳng như CANFIS (Li & Jang) hay ANCFIS (Chen et al., 2010), cấu trúc CFRG biểu diễn tri thức dưới dạng mạng có hướng các nút mờ phức $(\vartheta, \varpi)$. Đột phá nằm ở khả năng: (1) Chia sẻ nút tiền đề giúp loại bỏ luật trùng lặp, (2) Cho phép các thao tác thích nghi đại số như tách/nhập nút trực tiếp trên đồ thị, và (3) Suy diễn mờ phức theo đường đi đồ thị với độ phức tạp tối ưu, hạ thấp đáng kể phương sai thời gian thực thi.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất về mặt thống kê?

Phát hiện bất ngờ nhất là việc giảm kích thước tập dữ liệu huấn luyện miền đích (thông qua lấy mẫu không gian con 10% - 30%) và cắt giảm 35% - 60% số lượng luật không hề làm suy giảm độ chính xác phân loại mà còn giúp tăng nhẹ từ 1.2% đến 3.5% trên các tập dữ liệu phức tạp. Điều này chứng minh việc chuyển giao khung luật từ miền nguồn giúp loại trừ hiệu quả các mẫu nhiễu ngoại lai (outliers) ở miền đích.

4. Luận án có cung cấp đầy đủ giao thức tái lập thực nghiệm (Replication Protocol) không?

Có. Luận án đặc tả chi tiết mã giả (pseudocode) của toàn bộ 8 thuật toán trên cấu trúc CFRG trong Chương 3 và Phụ lục A, công khai quy trình tiền xử lý hàm thuộc biên độ/pha, mô tả chính xác kích thước mẫu và thuộc tính của 4 bộ dữ liệu UCI cùng dữ liệu lâm sàng Bệnh viện Gang thép Thái Nguyên, tạo điều kiện hoàn hảo để cộng đồng tái lập kết quả thực nghiệm độc lập.

5. Tầm nhìn chương trình nghiên cứu 10 năm được định hình như thế nào?

Lộ trình 10 năm hướng tới việc xây dựng Hệ sinh thái Trí tuệ tính toán mờ phức thích nghi hoàn chỉnh, bao gồm: (1) Chuẩn hóa lý thuyết học chuyển giao mờ phức dị thể đa nguồn, (2) Phát triển chip phần cứng neuromorphic chuyên dụng tính toán trực tiếp trên đồ thị CFRG, và (3) Ứng dụng sâu rộng trong chẩn đoán y khoa cá thể hóa và dự báo hệ thống tài chính phức hợp.

Kết luận

Luận án tiến sĩ của NCS Triệu Thu Hương (2024) là một công trình khoa học mẫu mực, giải quyết xuất sắc bài toán then chốt của Trí tuệ nhân tạo hiện đại với 5 đóng góp cụ thể:

  1. Hệ thống hóa và hoàn thiện lý thuyết học chuyển giao mờ phức (CFTL) trên cơ sở kết hợp logic mờ phức Mamdani với kỹ thuật lấy mẫu không gian con.
  2. Đề xuất và hiện thực hóa thành công cấu trúc đồ thị có hướng CFRG, tối ưu hóa toàn diện việc biểu diễn, quản lý và thực thi cơ sở luật mờ phức.
  3. Phát triển bộ 8 thuật toán chuyên sâu trên đồ thị, cho phép thao tác sửa, tách, nhập và suy diễn mờ phức với hiệu năng vượt trội.
  4. Chứng minh thực nghiệm toàn diện trên 4 bộ dữ liệu chuẩn quốc tế UCI và dữ liệu y tế thực tế tại Bệnh viện Gang thép Thái Nguyên, chứng thực khả năng cắt giảm tới 75% thời gian xử lý và giảm 60% số lượng luật.
  5. Mở ra 3 hướng nghiên cứu mới: Học chuyển giao mờ phức dị thể, Mạng nơ-ron đồ thị mờ phức sâu, và Hệ hỗ trợ ra quyết định y tế XAI thời gian thực.

Công trình khẳng định bước tiến vượt bậc trong việc nâng cao tính ứng dụng của logic mờ phức vào thế giới thực, tạo tiền đề vững chắc cho các hệ thống tính toán thông minh hiệu năng cao và minh bạch trong tương lai.