Tổng quan về luận án

Trong kỷ nguyên khoa học dữ liệu và trí tuệ nhân tạo, bài toán phân lớp dữ liệu (classification) đóng vai trò then chốt trong quá trình hỗ trợ ra quyết định tại nhiều lĩnh vực trọng yếu như chẩn đoán y tế, nhận dạng lỗi kỹ thuật, kinh tế và an ninh mạng. Mặc dù các mô hình học máy hiện đại như mạng nơ-ron sâu (Deep Neural Networks) hay máy học véc-tơ hỗ trợ (Support Vector Machines - SVM) đạt được độ chính xác phân lớp vượt trội, chúng thường vận hành như các "hộp đen" (black-box) thiếu khả năng giải thích cơ chế suy luận. Ngược lại, hệ phân lớp dựa trên luật ngôn ngữ mờ (Fuzzy Linguistic Rule-Based Classifier - FLRBC) mang lại lợi thế vượt bậc về tính giải nghĩa (interpretability) và tính xấp xỉ vạn năng, cho phép con người tiếp cận và thấu hiểu tri thức mô hình dưới dạng các phát biểu ngôn ngữ tự nhiên "IF-THEN".

Tuy nhiên, nền tảng lý thuyết tập mờ truyền thống do Lotfi A. Zadeh khởi xướng tồn tại một khoảng trống lý thuyết cốt lõi (theoretical research gap): việc thiết kế các hàm thuộc (membership functions) và phân hoạch mờ đa phần dựa trên trực giác chủ quan hoặc quá trình tối ưu hóa tham số số học cục bộ mà thiếu vắng một cơ sở toán học hình thức nhằm ánh xạ ngữ nghĩa định tính vốn có của từ ngôn ngữ tự nhiên sang ngữ nghĩa tính toán định lượng. Nhằm giải quyết triệt để vấn đề này, 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 tác giả Phạm Đình Phong (2017), dưới sự hướng dẫn của GS. Nguyễn Thanh Thủy và PGS. Nguyễn Cát Hồ tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội, đã xác lập bước đột phá về mô hình hóa hình thức khi mở rộng Lý thuyết Đại số gia tử (Hedge Algebra - HA) để sinh tự động tập mờ hình thang có lõi khoảng và tối ưu hóa hệ phân lớp mờ thông qua kỹ thuật tính toán mềm tiên tiến.

+-----------------------------------------------------------------------------------+
|                        KHUNG KIẾN TRÚC TỔNG THỂ CỦA LUẬN ÁN                       |
+-----------------------------------------------------------------------------------+
| 1. NỀN TẢNG LÝ THUYẾT: Đại số gia tử mở rộng (AX_mr, AX_mrtp) & Gia tử nhân tạo h0|
|    --> Thiết lập hệ tiên đề lõi ngữ nghĩa (A5_mr) & Hàm thuộc mờ hình thang       |
+-----------------------------------------------------------------------------------+
| 2. CƠ CHẾ SINH LUẬT: Trích xuất luật trực tiếp từ dữ liệu mẫu (Data-driven)       |
|    --> Tiêu chuẩn sàng lọc (c x s), Bầu cử có trọng số (WV), Đa thể hạt           |
+-----------------------------------------------------------------------------------+
| 3. TỐI ƯU HÓA TIẾN HÓA: Tối ưu đa mục tiêu lai MOPSO-SA & Lọc đặc trưng DWFS      |
|    --> Cân bằng tối ưu giữa Độ chính xác (Accuracy) và Tính giải nghĩa (Rules)    |
+-----------------------------------------------------------------------------------+

Các câu hỏi nghiên cứu và giả thuyết khoa học

Luận án giải quyết ba câu hỏi nghiên cứu (Research Questions - RQ) và kiểm chứng ba giả thuyết khoa học (Hypotheses - H) then chốt:

  • RQ1: Làm thế nào để mở rộng cấu trúc đại số gia tử nhằm mô hình hóa hình thức lõi ngữ nghĩa (semantics core) dạng khoảng và sinh tự động các hàm thuộc mờ hình thang từ các từ ngôn ngữ tự nhiên?
    • H1: Việc mở rộng đại số gia tử tuyến tính bằng việc bổ sung gia tử nhân tạo $h_0$ sẽ bảo toàn quan hệ thứ tự ngữ nghĩa tự nhiên, đồng thời cung cấp cơ chế giải tích xác định chính xác miền lõi khoảng và biên mờ của tập mờ hình thang mà không làm mất tính đóng của cấu trúc đại số.
  • RQ2: Ngữ nghĩa hình thang sinh từ đại số gia tử mở rộng khi tích hợp vào hệ phân lớp mờ đa thể hạt có cải thiện độ chính xác phân lớp và độ đơn giải của hệ luật so với ngữ nghĩa tam giác truyền thống và các phương pháp mờ kinh điển hay không?
    • H2: Tập mờ hình thang với lõi khoảng giúp giảm thiểu tổn thất thông tin tại vùng lân cận điểm cực đại của hàm thuộc, từ đó nâng cao năng lực phân tách ranh giới quyết định và giảm số lượng luật phân lớp cần thiết.
  • RQ3: Làm thế nào để tối ưu hóa đồng thời các tham số ngữ nghĩa và cấu trúc cơ sở luật của hệ FLRBC trên không gian dữ liệu nhiều chiều mà không rơi vào cực trị địa phương và bùng nổ tổ hợp?
    • H3: Sự kết hợp giữa giải thuật tối ưu bầy đàn đa mục tiêu với thuật toán mô phỏng tôi luyện (MOPSO-SA) cùng kỹ thuật lựa chọn đặc trưng sử dụng trọng số động (DWFS) dựa trên chỉ số phân cụm PBMF sẽ thu gọn đáng kể không gian tìm kiếm, rút ngắn thời gian sinh luật và cải thiện đường biên Pareto giữa độ chính xác và tính giải nghĩa.

Khung lý thuyết và phạm vi nghiên cứu

Nghiên cứu tích hợp bốn trụ cột lý thuyết: (1) Lý thuyết Tập mờ và Biến ngôn ngữ của Zadeh (1965, 1975); (2) Lý thuyết Đại số gia tử của Nguyễn Cát Hồ và các cộng sự (1990, 2005); (3) Lý thuyết Tính toán hạt (Granular Computing); và (4) Lý thuyết Tối ưu hóa đa mục tiêu (Multi-Objective Optimization - MOO). Phạm vi thực nghiệm của luận án bao quát 17 tập dữ liệu chuẩn quốc tế từ kho dữ liệu chuẩn KEEL Repository (như Mammographic với 830 mẫu/5 thuộc tính/2 lớp, Haberman, Iris, Pima, Wine, Bupa, Cleveland, v.v.) cùng các tập dữ liệu có số chiều lớn nhằm kiểm định tính vững chắc và năng lực khái quát hóa của hệ thống.

Literature Review và Positioning

Tổng quan các luồng nghiên cứu chính

Lịch sử phát triển của các hệ suy luận dựa trên luật mờ (Fuzzy Rule-Based Systems - FRBS) chứng kiến sự phân hóa thành ba luồng nghiên cứu học thuật lớn:

                      TIẾN TRÌNH PHÁT TRIỂN LÝ THUYẾT SUY LUẬN MỜ
                      
   Zadeh (1965, 1975)                      Mamdani (1974) / Takagi-Sugeno (1985)
   [Lý thuyết tập mờ & Biến ngôn ngữ]      [Hệ suy luận và điều khiển mờ kinh điển]
                  │                                           │
                  ▼                                           ▼
   Nguyễn Cát Hồ et al. (1990, 2005)       Ishibuchi et al. (1992-2005), Alcalá et al. (2007)
   [Đại số gia tử: Thứ tự ngữ nghĩa]       [FLRBC: Phân hoạch lưới & Tối ưu tiến hóa]
                  │                                           │
                  └─────────────────────┬─────────────────────┘
                                        │
                                        ▼
                             Phạm Đình Phong (2017)
          [Đại số gia tử mở rộng AX_mr, AX_mrtp & Lõi hình thang + MOPSO-SA + DWFS]
  1. Luồng tiếp cận dựa trên lý thuyết tập mờ hình thức và biến ngôn ngữ: Khởi xướng bởi Zadeh (1965, 1975), mở rộng qua các công trình của Mamdani (1974), Takagi và Sugeno (1985). Hướng tiếp cận này gán các hàm toán học (như tam giác, hình chuông Gaussian) cho các nhãn từ ngôn ngữ. Mặc dù tạo nền tảng cho điều khiển tự động, Zadeh thừa nhận việc thiếu một hệ tiên đề nội sinh mô tả mối quan hệ thứ tự tự nhiên giữa các từ ngôn ngữ có gia tử bổ nghĩa.
  2. Luồng thiết kế hệ phân lớp mờ tiến hóa và trích xuất luật tự động: Tiêu biểu là các công trình của Ishibuchi và cộng sự (1992, 2004, 2005), Cordon và cộng sự (2001), Alcalá và cộng sự (2007, 2011), Fazzolari và cộng sự (2013). Các tác giả này tập trung vào các phương pháp phân hoạch lưới (grid partition), phân hoạch rời rạc (scatter partition), và sử dụng giải thuật di truyền (Genetic Algorithms) hoặc chiến lược tiến hóa đa mục tiêu (như PAES-RCS) để hiệu chỉnh tham số hàm thuộc và chọn lọc luật.
  3. Luồng tiếp cận Đại số gia tử và Tính toán trên từ (Computing with Words): Được phát triển bởi Nguyễn Cát Hồ và các cộng sự (1990, 1993, 2005, 2008), thiết lập cấu trúc đại số $(X, C, G, H, \le)$ để mô hình hóa miền giá trị của biến ngôn ngữ dựa trên quan hệ thứ tự ngữ nghĩa vốn có. Các nghiên cứu bước đầu ứng dụng đại số gia tử vào bài toán phân lớp (Nguyễn Cát Hồ và cộng sự, 2008) đã chứng minh ưu thế vượt trội khi giảm số lượng tham số cần tối ưu nhưng mới dừng lại ở ngữ nghĩa định lượng điểm (tập mờ tam giác).

Tranh luận học thuật và định vị nghiên cứu

Tranh luận học thuật trung tâm diễn ra giữa hai trường phái:

  • Trường phái điều chỉnh tham số số học (Data-driven Parameter Tuning): Đại diện bởi Ishibuchi, Alcalá, Roubos và Setnes. Họ lập luận rằng việc tự do tối ưu hóa các đỉnh và độ rộng của hàm thuộc trên dữ liệu thực nghiệm sẽ tối đa hóa độ chính xác. Tuy nhiên, phe phản biện chỉ ra rằng quá trình này phá vỡ tính giải nghĩa tự nhiên: các tập mờ bị biến dạng, hoán đổi vị trí thứ tự ngữ nghĩa và dẫn đến hiện tượng "quá khớp" (overfitting).
  • Trường phái đại số tiên đề (Axiomatic Algebraic Approach): Đại diện bởi Nguyễn Cát Hồ và các cộng sự. Nhóm này khẳng định ngữ nghĩa của từ phải được bảo toàn thông qua cấu trúc thứ tự đại số và các toán tử gia tử. Tập mờ sinh ra phải là hệ quả giải tích trực tiếp của các tham số tính mờ nội tại.

"ĐSGT xuất phát từ ngôn ngữ để tìm ra cấu trúc toán học trên miền giá trị của biến ngôn ngữ và hình thành phương pháp luận sinh ngữ nghĩa tính toán từ ngữ nghĩa định tính vốn có của các từ ngôn ngữ." (Trích tr. 20, Luận án).

Định vị của luận án: Luận án của Phạm Đình Phong đứng tại vị trí giao thoa đột phá, khắc phục điểm nghẽn của trường phái đại số gia tử (vốn bị giới hạn ở lõi điểm tam giác) bằng cách thiết lập cấu trúc đại số gia tử mở rộng ($AX^{mr}$ và $AX^{mrtp}$). Đồng thời, luận án đối sánh trực tiếp và vượt qua hai chuẩn so sánh quốc tế hiện đại:

  • Thuật toán cảm sinh luật mờ không thứ tự FURIA (Fuzzy Unordered Rules Induction Algorithm) của Hühn và Hüllermeier (2009).
  • Hệ phân lớp mờ tiến hóa đa mục tiêu PAES-RCS (Pareto Archived Evolution Strategy for Rule and Condition Selection) của Alcalá và cộng sự (2011).
  • Thuật toán cây quyết định kinh điển C4.5 của Quinlan (1993).

Đóng góp lý thuyết và khung phân tích

+------------------------------------------------------------------------------------+
|                MÔ HÌNH TOÁN HỌC ĐẠI SỐ GIA TỬ MỞ RỘNG (AX_mr)                      |
+------------------------------------------------------------------------------------+
|  Cấu trúc bộ 5: AX_mr = (X_mr, C, G, H_mr, <=)                                     |
|  Tập gia tử mở rộng: H_mr = H U {I, h0}                                            |
|                                                                                    |
|  TIÊN ĐỀ LÕI NGỮ NGHĨA (A5_mr):                                                    |
|  - hh0x = h0x, với mọi h thuộc H_mr (Điểm bất động giải tích)                      |
|  - h0x = x <=> x thuộc C (Hằng số trung hòa)                                       |
|                                                                                    |
|  HỆ KHOẢNG TÍNH MỜ & ÁNH XẠ ĐỊNH LƯỢNG KHOẢNG:                                     |
|  fm(h0x) > 0  --> Xác lập khoảng lõi Core(x) = [v_min(x), v_max(x)]                |
|  Tập mờ hình thang: Trape(alpha, beta, gamma, delta) sinh hoàn toàn giải tích      |
+------------------------------------------------------------------------------------+

Đóng góp cho lý thuyết

Đóng góp lý thuyết nền tảng của luận án là việc xây dựng hoàn chỉnh cơ sở toán học cho Lý thuyết Đại số gia tử mở rộng ($AX^{mr}$) và Đại số gia tử mở rộng toàn phần ($AX^{mrtp}$), chuyển đổi căn bản từ biểu diễn ngữ nghĩa điểm sang biểu diễn ngữ nghĩa khoảng:

  1. Thiết lập hệ tiên đề cho gia tử nhân tạo $h_0$: Luận án bổ sung gia tử nhân tạo $h_0$ vào tập gia tử gốc $H = H^+ \cup H^-$, tạo thành tập gia tử mở rộng $H^{mr} = H \cup {I, h_0}$. Không gian từ ngôn ngữ mở rộng được định nghĩa: $$X^{mr} = X \cup {h_0x : x \in X \setminus C}$$ Trong đó quan hệ thứ tự và tính chất lõi ngữ nghĩa được chuẩn hóa qua hệ tiên đề $(A5^{mr})$:

"h_0x bao giờ cũng là điểm bất động đối với mọi gia tử và với $x \in X$, $h_0x = x$ khi và chỉ khi $x$ là hằng, ngược lại $x$ và $h_0x$ là không sánh được với nhau." (Trích Định nghĩa 2.1, tr. 31, Luận án).

  1. Mở rộng khái niệm Độ đo tính mờ ($fm$) và Ánh xạ định lượng ngữ nghĩa ($v$): Trong đại số gia tử truyền thống, độ đo tính mờ của các phần tử hằng và điểm định lượng thỏa mãn $fm(0) = fm(W) = fm(1) = 0$. Luận án đã mở rộng tiên đề độ đo tính mờ để gán giá trị độ đo khác không cho $h_0x$, cụ thể $fm(h_0x) > 0$. Nhờ đó, với mỗi từ ngôn ngữ $x$, khoảng tính mờ cấp $k$ liên kết với $x$ không bị suy biến thành một điểm duy nhất mà trải rộng thành một khoảng con compact $[\underline{v}(x), \overline{v}(x)] \subset [0, 1]$.

  2. Mô hình hóa hình thức hàm thuộc mờ hình thang (Trapezoidal Membership Functions): Dựa trên ánh xạ định lượng ngữ nghĩa khoảng, bốn tham số đặc trưng của tập mờ hình thang $A = (\alpha, \beta, \gamma, \delta)$ tương ứng với nhãn ngôn ngữ $x$ được xác định một cách thuần túy giải tích từ tập tham số ngữ nghĩa độc lập $\Lambda = {fm(c^-), \mu(h_j), k}$:

  • Đáy lớn $[\alpha, \delta]$ được xác định bởi biên của khoảng tính mờ mở rộng $\Phi(x)$.
  • Đáy nhỏ (lõi khoảng) $[\beta, \gamma]$ tương ứng trực tiếp với miền định lượng của $h_0x$, tức $\text{Core}(x) = [\underline{v}(h_0x), \overline{v}(h_0x)]$.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liền mạch giữa cấu trúc đại số định tính và mô hình tính toán mềm:

  • Nguyên lý bảo toàn tính giải nghĩa (Semantic Interpretability Preservation): Khác với các phương pháp nắn chỉnh hàm thuộc tự do khiến các tập mờ bị giao cắt hỗn loạn, cơ chế phân hoạch mờ sinh từ $AX^{mr}$ tự động thỏa mãn các điều kiện phân hoạch mờ chuẩn Ruspini: $\sum_{i=1}^n \mu_{A_i}(u) = 1$ tại các điểm giao cắt, không xảy ra hiện tượng đảo lộn thứ tự ngữ nghĩa tự nhiên (ví dụ tập mờ của "rất nhanh" luôn nằm về phía bên phải của "nhanh").
  • Cấu trúc đa thể hạt (Multiple Granularity Structure): Luận án mô hình hóa không gian phân hoạch thuộc tính dưới dạng đa mức thể hạt liên kết $X^{(k)} = \bigcup_{j=1}^k X_j$, cho phép hệ phân lớp kích hoạt đồng thời các luật khái quát (độ dài từ nhỏ, độ phủ rộng) và các luật chuyên biệt (độ dài từ lớn, độ chính xác cục bộ cao).
  • Điều kiện biên: Cấu trúc đại số được chứng minh tính đóng, tính tuyến tính và tính độc lập ngữ nghĩa trên toàn bộ miền thuộc tính chuẩn hóa $[0, 1]$.

Phương pháp nghiên cứu tiên tiến

+------------------------------------------------------------------------------------+
|                         QUY TRÌNH PHƯƠNG PHÁP NGHIÊN CỨU                           |
+------------------------------------------------------------------------------------+
| BƯỚC 1: TIỀN XỬ LÝ & LỰA CHỌN ĐẶC TRƯNG DÙNG TRỌNG SỐ ĐỘNG (DWFS)                  |
|         - Áp dụng phân cụm mờ c-means kết hợp hàm đánh giá PBMF                    |
|         - Loại bỏ 50-70% thuộc tính dư thừa trên dữ liệu nhiều chiều               |
+------------------------------------------------------------------------------------+
| BƯỚC 2: THIẾT KẾ KHUNG NHẬN THỨC NGÔN NGỮ (LFoC) VÀ PHÂN HOẠCH MỜ HÌNH THANG       |
|         - Sinh tự động hệ tập mờ hình thang từ tham số đại số gia tử Lambda       |
|         - Thiết lập phân hoạch đơn thể hạt và đa thể hạt trên miền thuộc tính      |
+------------------------------------------------------------------------------------+
| BƯỚC 3: SINH CƠ SỞ LUẬT KHỞI TẠO HƯỚNG DỮ LIỆU (DATA-DRIVEN RULE INDUCTION)        |
|         - Mỗi mẫu dữ liệu sinh 1 luật gốc; sinh luật ngắn hơn bằng cách bỏ bớt ĐK  |
|         - Lọc luật ứng viên theo tiêu chuẩn tích (c x s); gán trọng số luật CF     |
+------------------------------------------------------------------------------------+
| BƯỚC 4: TỐI ƯU HÓA ĐA MỤC TIÊU LAI (HYBRID MOPSO-SA)                              |
|         - Tối ưu đồng thời: Max f_p(S) (Độ chính xác) & Min f_n(S), f_a(S) (Độ phức tạp)   |
|         - Cơ chế Simulated Annealing hỗ trợ thoát cực trị địa phương               |
+------------------------------------------------------------------------------------+
| BƯỚC 5: SUY LUẬN VÀ KIỂM ĐỊNH THỐNG KÊ (WILCOXON SIGNED-RANK TEST)                 |
|         - So sánh cơ chế Single Winner Rule (SWR) vs Weighted Vote (WV)            |
|         - Đánh giá chéo 10-fold CV trên 17 benchmark datasets KEEL (mức alpha=0.05)|
+------------------------------------------------------------------------------------+

Thiết kế nghiên cứu

Nghiên cứu tuân thủ thế giới quan thực chứng nghiêm ngặt (positivist/post-positivist paradigm), kết hợp hài hòa giữa chứng minh toán học thuần túy (hệ thống định lý, bổ đề đại số gia tử) và kiểm định thực nghiệm diện rộng trên máy tính (empirical benchmarking).

Thiết kế thực nghiệm đa nhân tố bao gồm:

  1. So sánh đối đầu giữa cấu trúc đơn thể hạt (Single Granularity) và đa thể hạt (Multiple Granularity).
  2. So sánh hai cơ chế lập luận phân lớp: Luật thắng đơn (Single Winner Rule - SWR) và Bầu cử có trọng số (Weighted Vote - WV).
  3. So sánh tiến trình đại số: $AX$ (tam giác) vs $AX^{mr}$ (hình thang mở rộng) vs $AX^{mrtp}$ (hình thang mở rộng toàn phần).
  4. So sánh giải thuật tối ưu: Thuật toán tôi luyện mô phỏng di truyền (Genetic Simulated Annealing - GSA) vs Tối ưu bầy đàn đa mục tiêu (MOPSO) vs Thuật toán lai MOPSO-SA.

Quy trình nghiên cứu rigorous

Cơ chế sinh luật hướng dữ liệu

Tránh né sự bùng nổ tổ hợp của phương pháp phân hoạch lưới truyền thống (sinh số luật theo cấp số nhân $L^n$ với $L$ nhãn từ, $n$ thuộc tính), luận án áp dụng cơ chế sinh luật trực tiếp từ mẫu dữ liệu: mỗi mẫu dữ liệu $d_p = [d_{p,1}, \dots, d_{p,n}]$ sinh ra một luật đầy đủ có độ dài $n$; các luật khái quát hơn được tạo ra bằng cách loại bỏ có hệ thống các điều kiện tiền đề.

Tiêu chuẩn sàng lọc luật ứng viên sử dụng tích giữa độ tin cậy ($c$) và độ hỗ trợ ($s$): $$\text{Prescreening Score} = c(A_q \Rightarrow C_q) \times s(A_q \Rightarrow C_q)$$ Với độ đốt cháy (firing degree) của mẫu dữ liệu đối với tiền đề $A_q$ được xác định qua toán tử nhân: $$\mu_{A_q}(d_p) = \prod_{j=1}^n \mu_{A_{q,j}}(d_{p,j})$$

Trọng số của luật phân lớp $CF_q$ được tính toán linh hoạt theo công thức hiệu độ tin cậy: $$CF_q = c(A_q \Rightarrow C_q) - c_{q,\text{Ave}} \quad \text{hoặc} \quad CF_q = \frac{c(A_q \Rightarrow C_q) - c_{q,\text{2nd}}}{\sum_{h} c(A_q \Rightarrow C_h)}$$

Quy trình kiểm định thống kê phi tham số

Để khẳng định ý nghĩa thống kê của các kết quả thực nghiệm, luận án áp dụng kiểm định xếp hạng có dấu Wilcoxon (Wilcoxon Signed-Rank Test) với mức ý nghĩa chuẩn ngặt $\alpha = 0.05$. Mọi thử nghiệm đều tuân thủ giao thức đánh giá chéo 10 phần (10-fold cross-validation), đảm bảo tính khách quan và triệt tiêu sai lệch chọn mẫu.

Data và phân tích

+------------------------------------------------------------------------------------+
|          CHI TIẾT GIẢI THUẬT TỐI ƯU LAI MOPSO-SA VÀ LỰA CHỌN ĐẶC TRƯNG DWFS         |
+------------------------------------------------------------------------------------+
| 1. MOPSO-SA ENGINE:                                                                |
|    - Vector hạt biểu diễn: [Tham số tính mờ Lambda | Mask nhị phân chọn luật]       |
|    - Cập nhật vận tốc và vị trí bầy đàn theo Pareto Archive                            |
|    - Cơ chế làm nguội Boltzmann SA: P = exp(-Delta_E / T) giúp hạt nhảy khỏi hố cực tiểu |
|                                                                                    |
| 2. KỸ THUẬT LỌC ĐẶC TRƯNG DWFS:                                                    |
|    - Áp dụng phân cụm mờ c-means tính toán chỉ số PBMF                             |
|    - Gán trọng số động w_j cho từng thuộc tính dựa trên độ lợi thông tin             |
|    - Giảm số chiều dữ liệu trước khi sinh luật --> Tăng tốc độ tính toán gấp 3-5 lần |
+------------------------------------------------------------------------------------+

  1. Giải thuật tối ưu bầy đàn đa mục tiêu lai tôi luyện mô phỏng (MOPSO-SA): Véc-tơ cá thể trong không gian tìm kiếm mã hóa đồng thời: (a) Bộ tham số tính mờ $\Lambda$ của các thuộc tính; và (b) Mặt nạ nhị phân lựa chọn luật và điều kiện luật. Hàm mục tiêu đa chiều bao gồm: $$\max f_p(S) \quad (\text{Độ chính xác phân lớp})$$ $$\min f_n(S) \quad (\text{Số lượng luật trong cơ sở tri thức})$$ $$\min f_a(S) \quad (\text{Độ dài trung bình các tiền đề luật})$$ Toán tử Metropolis của thuật toán mô phỏng tôi luyện (Simulated Annealing) được nhúng vào pha cập nhật của bầy hạt (Particle Swarm), cho phép chấp nhận các nghiệm kém hơn với xác suất suy giảm $P = \exp(-\Delta E / T)$, giúp bầy hạt vượt qua các "hố" cực trị địa phương trong không gian tìm kiếm đa mục tiêu phức tạp.

  2. Kỹ thuật lựa chọn đặc trưng trọng số động (Dynamic Weight Feature Selection - DWFS): Đối với các tập dữ liệu nhiều chiều, luận án tích hợp giải thuật phân cụm mờ $c$-means với hàm chỉ số PBMF (Pakhira-Bandyopadhyay-Maulik Fuzzy index) để xác định độ phân tách cụm tối ưu. Trọng số động $w_j$ được gán cho từng thuộc tính nhằm loại bỏ các biến dư thừa hoặc gây nhiễu trước khi bước vào giai đoạn sinh luật, giải quyết triệt để rào cản thời gian tính toán.

Phát hiện đột phá và implications

+------------------------------------------------------------------------------------+
|              TỔNG HỢP CÁC PHÁT HIỆN THỰC NGHIỆM ĐỘT PHÁ CỦA LUẬN ÁN                |
+------------------------------------------------------------------------------------+
| 1. AX_mrtp vs AX: Độ chính xác phân lớp tăng có ý nghĩa thống kê (Wilcoxon p < 0.05)|
|    đồng thời số lượng luật mờ giảm từ 15-25% nhờ khả năng bao phủ của lõi khoảng.   |
|                                                                                    |
| 2. ĐA THỂ HẠT vs ĐƠN THỂ HẠT: Đa thể hạt đạt độ hội tụ phân lớp vượt trội trên các  |
|    tập dữ liệu phức tạp (như Mammographic 830 mẫu, Haberman) nhờ kết hợp từ đa mức. |
|                                                                                    |
| 3. WV vs SWR: Phương pháp Bầu cử có trọng số (WV) vượt trội hoàn toàn Luật thắng   |
|    đơn (SWR) do tích lũy được thông tin mờ từ nhiều luật kích hoạt đồng thời.       |
|                                                                                    |
| 4. MOPSO-SA vs GSA/MOPSO: Thuật toán lai đạt tập nghiệm Pareto lấn át vượt bậc,   |
|    thời gian hội tụ nhanh hơn và phân bố nghiệm đều hơn.                            |
|                                                                                    |
| 5. ĐỐI SOÁT QUỐC TẾ: FLRBC_AX_mrtp vượt trội FURIA, PAES-RCS và C4.5 về độ cân bằng|
|    giữa Độ chính xác (Accuracy) và Tính giải nghĩa (Interpretability/Compactness). |
+------------------------------------------------------------------------------------+

Những phát hiện then chốt

  1. Sự vượt trội của ngữ nghĩa mờ hình thang $AX^{mrtp}$ so với ngữ nghĩa tam giác $AX$: Kiểm định thống kê Wilcoxon Signed-Rank trên 17 tập dữ liệu chuẩn KEEL xác nhận hệ phân lớp $\text{FRBC_AX}^{mrtp}$ và $\text{FRBC_AX}^{mr}$ đạt độ chính xác phân lớp cao hơn rõ rệt so với hệ $\text{FRBC_AX}$ sử dụng tập mờ tam giác truyền thống ($p < 0.05$). Nguyên nhân lý thuyết là do lõi ngữ nghĩa dạng khoảng $[\underline{v}(h_0x), \overline{v}(h_0x)]$ giúp duy trì độ thuộc $\mu(u) = 1$ trên một vùng lân cận thực tế của dữ liệu, giảm thiểu sự nhạy cảm với nhiễu biên so với đỉnh nhọn duy nhất của tập mờ tam giác.

  2. Ưu thế của cấu trúc phân hoạch đa thể hạt (Multiple Granularity): Hệ phân lớp sử dụng cấu trúc đa thể hạt cho kết quả phân lớp chính xác hơn cấu trúc đơn thể hạt ở mức ý nghĩa $\alpha = 0.05$. Việc tích hợp đồng thời các mức từ ngôn ngữ $k = 1, 2, 3$ cho phép mô hình linh hoạt sử dụng các luật có độ bao quát rộng cho vùng dữ liệu đồng nhất và các luật có độ phân giải mịn cho vùng dữ liệu đan xen ranh giới phức tạp.

  3. Cơ chế lập luận Bầu cử có trọng số (Weighted Vote) chiến thắng Luật thắng đơn (Single Winner Rule): Thực nghiệm so sánh khẳng định cơ chế lập luận Weighted Vote cho độ chính xác phân lớp cao hơn rõ rệt so với Single Winner Rule trên cả hai hệ $\text{AX}^{mr}$ và $\text{AX}^{mrtp}$ với mức kiểm định Wilcoxon $\alpha = 0.05$. SWR dễ dẫn đến sai lầm phân lớp khi có nhiều luật thuộc các lớp khác nhau cùng có độ kích hoạt xấp xỉ nhau, trong khi WV tổng hợp toàn diện trọng số đốt cháy của toàn bộ cơ sở tri thức.

  4. Hiệu năng vượt trội của MOPSO-SA trong tối ưu hóa đa mục tiêu: Thuật toán lai MOPSO-SA tạo ra đường biên Pareto tối ưu vượt trội so với giải thuật tôi luyện mô phỏng di truyền (GSA) và MOPSO thuần túy. MOPSO-SA không chỉ tìm được các hệ luật có độ chính xác cao hơn mà còn cắt giảm số lượng luật ($f_n$) từ 20% đến 35%, nâng cao vượt bậc tính giải nghĩa của mô hình.

  5. Kết quả đối sánh quốc tế: Khi đối sánh với các thuật toán phân lớp tiên tiến trên thế giới:

  • So với PAES-RCS (Alcalá et al.): Hệ $\text{FRBC_AX}^{mrtp}$ đạt độ chính xác tương đương hoặc cao hơn nhưng số lượng luật và số điều kiện trung bình ít hơn đáng kể.
  • So với FURIA (Hühn & Hüllermeier): Mặc dù FURIA là thuật toán cảm sinh luật mờ rất mạnh, $\text{FRBC_AX}^{mrtp}$ duy trì tính giải nghĩa ngữ nghĩa chặt chẽ hơn nhờ cấu trúc đại số gia tử, tránh được việc sinh ra các khoảng mờ không có nhãn ngôn ngữ tương ứng.
  • So với cây quyết định C4.5: Hệ mờ của luận án vượt trội về độ ổn định trước dữ liệu nhiễu và cung cấp ranh giới quyết định mềm mượt hơn ranh giới phân cắt trực giao cứng của C4.5.
                  SO SÁNH CÁC PHƯƠNG PHÁP TRÊN KHÔNG GIAN ĐA MỤC TIÊU
                  
   Độ chính xác ▲
   (Accuracy)   │                     [FRBC_AX_mrtp (Luận án)]
                │                         ★ (Cân bằng tối ưu)
                │             [FURIA]
                │                ●
                │                                [PAES-RCS]
                │                                    ■
                │    [C4.5]
                │       ▲
                │
                └──────────────────────────────────────────────► Tính giải nghĩa
                                                                 (Interpretability)

Implications đa chiều

  • Về mặt lý thuyết: Hoàn thiện lý thuyết Đại số gia tử thành một công cụ toán học toàn diện, có khả năng mô hình hóa cả ngữ nghĩa điểm và ngữ nghĩa khoảng, giải quyết bài toán biểu diễn tri thức trong môi trường bất định.
  • Về mặt phương pháp luận: Thiết lập một quy trình chuẩn hóa từ xử lý dữ liệu, trích xuất luật tự động hướng dữ liệu, đến tối ưu hóa tiến hóa đa mục tiêu và kiểm định thống kê chuẩn mực cho cộng đồng học máy mờ.
  • Về mặt thực tiễn và công nghiệp: Cung cấp giải pháp Trí tuệ nhân tạo có thể giải thích được (Explainable AI - XAI) sẵn sàng ứng dụng trong các hệ thống hỗ trợ chẩn đoán bệnh lý y khoa, phân tích rủi ro tín dụng ngân hàng và giám sát vận hành nhà máy nhiệt điện/hạt nhân – những nơi mà sai số quyết định đòi hỏi phải có lý do minh bạch.

Limitations và Future Research

Hạn chế học thuật (Limitations)

  1. Giả thiết thứ tự tuyến tính nghiêm ngặt: Cấu trúc đại số gia tử mở rộng trong luận án giả định miền giá trị của biến ngôn ngữ có quan hệ thứ tự tuyến tính hoàn toàn. Điều này gây khó khăn khi mô hình hóa các biến ngôn ngữ có cấu trúc ngữ nghĩa phân nhánh hoặc đa chiều phức tạp.
  2. Chi phí tính toán trên dữ liệu số chiều cực lớn: Mặc dù thuật toán DWFS đã cải thiện đáng kể thời gian sinh luật, với các bài toán Big Data có hàng trăm nghìn thuộc tính (như dữ liệu biểu hiện gen microarray), quá trình tính toán ma trận độ đốt cháy và tối ưu bầy đàn vẫn đòi hỏi tài nguyên tính toán đáng kể.
  3. Giới hạn dạng hàm thuộc: Luận án tập trung nghiên cứu hàm thuộc mờ hình thang và tam giác; các dạng hàm thuộc mờ phi tuyến phức tạp hơn (như hàm Gaussian, Bell-shaped, hàm Sigmoid) chưa được bao quát giải tích trong mô hình $AX^{mr}$.

Chương trình nghiên cứu tương lai (Future Research Agenda)

  • Mở rộng sang Đại số gia tử phi tuyến và cấu trúc lưới (Lattice-ordered Hedge Algebras): Nghiên cứu biểu diễn ngữ nghĩa cho các từ ngôn ngữ không so sánh được trực tiếp.
  • Học trực tuyến và phân lớp dữ liệu luồng (Online Stream Data Classification): Phát triển các cơ chế thích nghi trực tuyến tham số $\Lambda$ của đại số gia tử khi phân phối dữ liệu biến thiên theo thời gian (concept drift).
  • Học nửa giám sát (Semi-supervised Learning) và Dữ liệu mất cân bằng nghiêm trọng (Imbalanced Data): Tích hợp kỹ thuật cân bằng dữ liệu mức thuật toán (như cost-sensitive fuzzy learning) trên nền tảng $AX^{mrtp}$.
  • Tích hợp Kiến trúc Học sâu Mờ (Deep Fuzzy Classifiers): Kết hợp năng lực trích xuất đặc trưng của mạng học sâu với tầng ra quyết định mờ giải nghĩa được dựa trên đại số gia tử mở rộng.

Tác động và ảnh hưởng

+------------------------------------------------------------------------------------+
|                         BẢN ĐỒ TÁC ĐỘNG CỦA LUẬN ÁN                                |
+------------------------------------------------------------------------------------+
| 1. HỌC THUẬT QUỐC TẾ:                                                              |
|    - 01 công trình ISI/SCI (Tạp chí Knowledge-Based Systems, Elsevier)             |
|    - 01 báo cáo Kỷ yếu Hội thảo Quốc tế IEEE (RIVF)                                |
|    - 06 bài báo chuyên ngành uy tín trong nước (VAST, VNU, FAIR)                   |
|                                                                                    |
| 2. ỨNG DỤNG CÔNG NGHIỆP & Y TẾ:                                                    |
|    - Hệ chẩn đoán y khoa giải nghĩa được (Medical Diagnosis DSS)                   |
|    - Nhận dạng lỗi và giám sát an toàn hệ thống công nghiệp phức tạp               |
|                                                                                    |
| 3. GIÁO DỤC & ĐÀO TẠO SAU ĐẠI HỌC:                                                 |
|    - Tài liệu tham khảo chuẩn mực cho các học viên cao học, NCS Khoa học máy tính  |
|    - Định hình hướng nghiên cứu Tính toán trên từ (Computing with Words) tại VN   |
+------------------------------------------------------------------------------------+
  • Tác động học thuật quốc tế và trong nước: Các kết quả nghiên cứu của luận án đã được công bố trong 8 công trình khoa học uy tín, bao gồm 01 bài báo quốc tế thuộc danh mục SCI (Tạp chí Knowledge-Based Systems, Elsevier, 2013), 01 bài báo trong kỷ yếu hội thảo quốc tế có phản biện xuất bản bởi IEEE (RIVF 2013), 05 bài báo trên các tạp chí khoa học chuyên ngành hàng đầu quốc gia (Tạp chí Tin học và Điều khiển học, Tạp chí Khoa học ĐHQGHN, Tạp chí Khoa học và Công nghệ VAST) và 01 báo cáo hội nghị quốc gia (FAIR). Các công bố này khẳng định vị thế tiên phong của trường phái nghiên cứu Đại số gia tử Việt Nam trên trường quốc tế.
  • Thúc đẩy xu hướng Trí tuệ nhân tạo minh bạch (Explainable AI): Cung cấp một khung phương pháp luận vững chắc giúp các nhà phát triển hệ thống AI xây dựng các mô hình phân lớp có độ chính xác cao nhưng người dùng cuối (bác sĩ, kỹ sư, nhà quản lý) vẫn có thể đọc hiểu và kiểm soát được toàn bộ quy tắc ra quyết định.

Đối tượng hưởng lợi

+--------------------------+---------------------------------------------------------+
| ĐỐI TƯỢNG HƯỞNG LỢI      | GIÁ TRỊ VÀ LỢI ÍCH TIẾP NHẬN                            |
+--------------------------+---------------------------------------------------------+
| Nghiên cứu sinh &        | Tiếp cận mô hình toán học hình thức mở rộng của Đại số  |
| Học giả AI / Fuzzy Logic | gia tử; kế thừa mã nguồn giải thuật MOPSO-SA & DWFS.    |
+--------------------------+---------------------------------------------------------+
| Kỹ sư R&D &              | Bộ công cụ thiết kế hệ phân lớp mờ tự động, cân bằng    |
| Nhà phát triển hệ thống  | tối ưu giữa độ chính xác và tốc độ xử lý dữ liệu lớn.   |
+--------------------------+---------------------------------------------------------+
| Chuyên gia Y tế,         | Hệ thống hỗ trợ ra quyết định dạng luật IF-THEN minh    |
| Tài chính & Công nghiệp  | bạch, giúp kiểm chứng lý do trước khi đưa ra hành động.|
+--------------------------+---------------------------------------------------------+
  1. Nghiên cứu sinh và Giảng viên ngành Khoa học Máy tính / Trí tuệ Nhân tạo: Khai thác hệ tiên đề đại số gia tử mở rộng và phương pháp lượng hóa ngữ nghĩa khoảng để phát triển tiếp các mô hình hồi quy, dự báo chuỗi thời gian hoặc xử lý ngôn ngữ tự nhiên.
  2. Kỹ sư R&D trong công nghệ y tế và điều khiển tự động: Ứng dụng giải thuật tự động sinh luật và tối ưu hóa đa mục tiêu để xây dựng các thiết bị y tế thông minh (như máy phân loại tế bào ung thư vú dựa trên tập dữ liệu Mammographic) đảm bảo độ tin cậy tuyệt đối.
  3. Các tổ chức tài chính và bảo hiểm: Ứng dụng mô hình phân lớp mờ giải nghĩa được vào việc chấm điểm tín dụng và phát hiện gian lận giao dịch, đáp ứng các tiêu chuẩn pháp lý nghiêm ngặt về tính minh bạch thuật toán.

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 lý thuyết độc đáo nhất là việc thiết lập Đại số gia tử mở rộng ($AX^{mr}$ và $AX^{mrtp}$) thông qua việc bổ sung gia tử nhân tạo $h_0$ cùng hệ tiên đề lõi ngữ nghĩa $(A5^{mr})$. Đóng góp này mở rộng trực tiếp Lý thuyết Đại số gia tử tuyến tính của Nguyễn Cát Hồ và các cộng sự (1990, 2005). Lần đầu tiên, lý thuyết đại số gia tử có thể mô hình hóa hình thức lõi khoảng $\text{Core}(x)$ và sinh tự động các hàm thuộc mờ hình thang một cách thuần túy giải tích từ các tham số tính mờ nội tại, vượt qua ranh giới của ngữ nghĩa điểm tam giác truyền thống mà vẫn bảo toàn cấu trúc thứ tự ngữ nghĩa tự nhiên.

2. Phương pháp nghiên cứu của luận án có gì đổi mới so với ít nhất hai nghiên cứu quốc tế tiêu biểu?

So với nghiên cứu của Alcalá và cộng sự (2011) với giải thuật PAES-RCS và Hühn & Hüllermeier (2009) với thuật toán FURIA:

  • Về biểu diễn ngữ nghĩa: Cả PAES-RCS và FURIA đều phải hiệu chỉnh tự do các tọa độ của hàm thuộc trên trục số, dễ làm mất đi tính giải thích tự nhiên của các nhãn ngôn ngữ. Phương pháp của luận án kiểm soát toàn bộ hệ thống phân hoạch mờ thông qua tập tham số ngữ nghĩa độc lập $\Lambda$, đảm bảo tính giải nghĩa tiên đề.
  • Về tối ưu hóa: Thay vì sử dụng các toán tử di truyền truyền thống, luận án phát triển thuật toán lai MOPSO-SA, kết hợp tốc độ hội tụ nhanh của bầy đàn hạt với khả năng thoát cực trị địa phương của tôi luyện mô phỏng, mang lại tập nghiệm Pareto có độ bao phủ và tính phân bố đồng đều vượt trội.

3. Phát hiện thực nghiệm nào bất ngờ và có ý nghĩa nhất trong luận án?

Phát hiện bất ngờ nhất là việc chuyển đổi từ hàm thuộc tam giác ($AX$) sang hàm thuộc hình thang mở rộng toàn phần ($AX^{mrtp}$) không những nâng cao độ chính xác phân lớp có ý nghĩa thống kê ($p < 0.05$ qua kiểm định Wilcoxon) mà đồng thời còn làm giảm số lượng luật mờ cần thiết. Trong lý thuyết mờ truyền thống, tăng độ phức tạp của hàm thuộc thường làm tăng nguy cơ bùng nổ luật hoặc quá khớp. Tuy nhiên, trong mô hình $AX^{mrtp}$, do lõi ngữ nghĩa hình thang bao phủ tốt hơn vùng mật độ cao của dữ liệu, một luật mờ hình thang duy nhất có thể thay thế hiệu quả vai trò của nhiều luật mờ tam giác cục bộ.

4. Giao thức tái lập thực nghiệm (Replication Protocol) có được cung cấp rõ ràng không?

Luận án cung cấp giao thức thực nghiệm hoàn chỉnh và minh bạch:

  • Sử dụng 17 tập dữ liệu chuẩn công khai từ KEEL-Dataset Repository.
  • Quy định cụ thể tham số bầy đàn MOPSO (kích thước bầy hạt, hệ số học tập, số lượng phần tử lưu trữ Pareto Archive).
  • Quy trình đánh giá chéo 10-fold CV và công thức kiểm định phi tham số Wilcoxon Signed-Rank test với mức ý nghĩa $\alpha = 0.05$.
  • Các công thức toán học tường minh cho việc tính toán độ đo tính mờ $fm(x)$, ánh xạ định lượng $v(x)$, tiêu chuẩn sàng lọc luật ($c \times s$) và trọng số luật $CF_q$.

5. Luận án đã phác thảo chương trình nghiên cứu 10 năm tiếp theo như thế nào?

Chương trình nghiên cứu dài hạn được định hình qua ba trục chính:

  1. Mở rộng nền tảng đại số: Phát triển Đại số gia tử mở rộng cho các cấu trúc thứ tự bộ phận (poset) và đại số gia tử đa chiều.
  2. Thích nghi thời gian thực: Thiết kế hệ phân lớp mờ trực tuyến tự thích nghi cấu trúc ngữ nghĩa cho dữ liệu luồng quy mô lớn (Streaming Big Data).
  3. Hợp nhất XAI: Xây dựng khung chuẩn mực đánh giá định lượng tính giải nghĩa (Interpretability Metrics) cho các hệ mờ lai ghép trong các bài toán Trí tuệ nhân tạo nhạy cảm (Critical AI applications).

Kết luận

Luận án tiến sĩ của tác giả Phạm Đình Phong đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, tạo nên một dấu ấn khoa học quan trọng trong lĩnh vực Khoa học Máy tính và Trí tuệ Nhân tạo với sáu đóng góp cốt lõi:

+------------------------------------------------------------------------------------+
|                       6 ĐÓNG GÓP ĐỘT PHÁ CỦA TÁC GIẢ PHẠM ĐÌNH PHONG               |
+------------------------------------------------------------------------------------+
| 1. Xây dựng lý thuyết Đại số gia tử mở rộng AX_mr & AX_mrtp với hệ tiên đề A5_mr.   |
| 2. Thiết lập cơ chế giải tích sinh tự động hàm thuộc mờ hình thang có lõi khoảng.  |
| 3. Phát triển phương pháp thiết kế FLRBC đa thể hạt bảo toàn tính giải nghĩa.       |
| 4. Đề xuất giải thuật tối ưu hóa đa mục tiêu lai MOPSO-SA cân bằng Pareto tối ưu.  |
| 5. Phát triển kỹ thuật lựa chọn đặc trưng trọng số động DWFS cho dữ liệu lớn.       |
| 6. Thực nghiệm toàn diện trên KEEL Repository & Kiểm định Wilcoxon chuẩn mực (p<0.05)|
+------------------------------------------------------------------------------------+
  1. Xác lập cơ sở toán học cho Đại số gia tử mở rộng: Phát triển thành công $AX^{mr}$ và $AX^{mrtp}$, đưa gia tử nhân tạo $h_0$ và hệ tiên đề $(A5^{mr})$ vào cấu trúc đại số nhằm mô hình hóa hình thức lõi ngữ nghĩa của từ ngôn ngữ.
  2. Cơ chế sinh tự động tập mờ hình thang: Cung cấp phương pháp luận giải tích độc nhất để xác lập các hàm thuộc mờ hình thang từ các tham số tính mờ nội tại, giải quyết triệt để sự phụ thuộc vào trực giác chủ quan của phương pháp mờ truyền thống.
  3. Phát triển hệ phân lớp FLRBC đa thể hạt tiên tiến: Chứng minh tính ưu việt của cấu trúc đa thể hạt và phương pháp lập luận Bầu cử có trọng số (Weighted Vote) trong việc nâng cao độ chính xác và tính trực quan của cơ sở tri thức.
  4. Đột phá về tối ưu hóa đa mục tiêu với MOPSO-SA: Giải quyết thành công bài toán xung khắc giữa độ chính xác phân lớp và độ phức tạp cơ sở luật, tạo ra bước nhảy vọt về chất lượng đường biên Pareto.
  5. Nâng cao hiệu năng xử lý dữ liệu nhiều chiều với DWFS: Đề xuất kỹ thuật chọn lọc đặc trưng dựa trên trọng số động và chỉ số phân cụm PBMF, giúp giảm thiểu đáng kể thời gian sinh luật mà vẫn bảo toàn độ chính xác.
  6. Kiểm định thực nghiệm chuẩn mực quốc tế: Đánh giá toàn diện trên 17 tập dữ liệu chuẩn KEEL và kiểm định thống kê Wilcoxon ($\alpha = 0.05$), khẳng định hệ phân lớp đề xuất vượt trội hoặc tương đương các giải thuật hàng đầu thế giới như FURIA, PAES-RCS và C4.5.

Công trình không chỉ làm phong phú thêm kho tàng lý thuyết Đại số gia tử do các nhà khoa học Việt Nam khởi xướng mà còn mở ra hướng tiếp cận đầy triển vọng cho thế hệ Trí tuệ nhân tạo giải thích được (Explainable AI) trong tương lai.