Tổng quan về luận án

Luận án của Hồ Thị Phượng là một nghiên cứu tiên phong trong lĩnh vực Khoa học Máy tính, tập trung vào bài toán rút gọn thuộc tính trong các bảng quyết định thay đổi, một thách thức lớn trong bối cảnh dữ liệu lớn (Big Data) và các hệ thống Internet of Things (IoT) hiện nay. Nghiên cứu này đặt ra trong bối cảnh các cơ sở dữ liệu ngày càng gia tăng về dung lượng và số lượng thuộc tính, đòi hỏi các phương pháp tiền xử lý dữ liệu hiệu quả để nâng cao hiệu suất khai phá tri thức.

Research gap cụ thể được luận án xác định là sự hạn chế của các thuật toán rút gọn thuộc tính hiện có theo tiếp cận tập thô mờ. Phần lớn các phương pháp này sử dụng cách tiếp cận lọc (filter) truyền thống, nơi "tập rút gọn tìm được là tập thuộc tính tối thiểu bảo toàn độ đo được xây dựng. Việc đánh giá độ chính xác phân lớp được thực hiện sau khi tìm được tập rút gọn. Vì vậy, tập rút gọn thu được chưa phải là lựa chọn tốt nhất trên hai tiêu chí: số lượng thuộc tính tập rút gọn và độ chính xác phân lớp" (trang 4, "Các vấn đề còn tồn tại"). Luận án này giải quyết trực tiếp khoảng trống này bằng cách đề xuất một tiếp cận kết hợp filter-wrapper để tối ưu hóa đồng thời cả hai tiêu chí.

Các câu hỏi nghiên cứu (Research Questions) và giả thuyết (Hypotheses) được hình thành từ mục tiêu và đề xuất của luận án:

  1. RQ1: Làm thế nào để xây dựng một độ đo khoảng cách mờ mới hiệu quả, có khả năng phản ánh chất lượng phân lớp của các tập thuộc tính, cho bài toán rút gọn thuộc tính trong bảng quyết định tĩnh?

    • H1: Độ đo khoảng cách mờ mới, mở rộng từ độ đo khoảng cách phân hoạch của Liang et al. [65], sẽ cung cấp một tiêu chuẩn lựa chọn thuộc tính hiệu quả hơn, dẫn đến các tập rút gọn có số lượng thuộc tính nhỏ hơn và độ chính xác phân lớp cao hơn so với các phương pháp filter truyền thống.

  2. RQ2: Làm thế nào để tích hợp cách tiếp cận filter-wrapper vào bài toán rút gọn thuộc tính dựa trên tập thô mờ để tối ưu hóa đồng thời số lượng thuộc tính và độ chính xác phân lớp?

    • H2: Thuật toán filter-wrapper (FW_FDBAR) đề xuất sẽ giảm thiểu số lượng thuộc tính tập rút gọn và cải thiện độ chính xác mô hình phân lớp đáng kể so với các thuật toán filter truyền thống, và đạt hiệu suất tương đương hoặc tốt hơn các thuật toán filter-wrapper hiện có.

  3. RQ3: Làm thế nào để phát triển các thuật toán gia tăng filter-wrapper hiệu quả cho bài toán rút gọn thuộc tính trong các bảng quyết định động, đối phó với việc bổ sung/loại bỏ đối tượng và thuộc tính?

    • H3a: Các công thức gia tăng tính khoảng cách mờ sẽ cho phép các thuật toán gia tăng filter-wrapper (IFW_FDAR_AdObj, IFW_FDAR_DelObj, IFW_FDAR_AA, IFW_FDAR_DA) cập nhật tập rút gọn mà không cần tính toán lại toàn bộ bảng, từ đó giảm đáng kể thời gian thực hiện so với các thuật toán không gia tăng.
    • H3b: Các thuật toán gia tăng filter-wrapper này sẽ duy trì hoặc cải thiện độ chính xác phân lớp và tối thiểu hóa số lượng thuộc tính tập rút gọn so với các thuật toán gia tăng truyền thống theo tiếp cận filter.

Khung lý thuyết (Theoretical Framework): Nghiên cứu này được xây dựng trên nền tảng Lý thuyết Tập Thô Mờ (Fuzzy Rough Set Theory) của Dübois và cộng sự [1], mở rộng lý thuyết tập thô truyền thống của Pawlak [19] bằng cách sử dụng quan hệ tương đương mờ để xấp xỉ tập mờ. Luận án phát triển độ đo khoảng cách mờ (Fuzzy Distance Measure) mới, dựa trên độ đo khoảng cách phân hoạch trong công trình của Liang et al. [65]. Khung phân tích còn tích hợp các khái niệm về quan hệ tương đương mờ, phân hoạch mờ, và hàm thuộc mờ để định nghĩa độ quan trọng của thuộc tính trong bối cảnh mờ.

Đóng góp đột phá (Breakthrough Contributions) với tác động định lượng:

  1. Đề xuất thuật toán FW_FDBAR (Filter-Wrapper Fuzzy Distance Based Attribute Reduction): Luận án đã xây dựng một độ đo khoảng cách mờ mới và đề xuất thuật toán FW_FDBAR. "Kết quả thử nghiệm trên các bộ số liệu mẫu từ kho dữ liệu UCI [59] cho thấy, thuật toán filter-wrapper FW_FDBAR giảm thiểu đáng kể số lượng thuộc tính tập rút gọn và cải thiện độ chính xác mô hình phân lớp so với các thuật toán filter truyền thống khác" (trang 6). Ví dụ, trên một số bộ dữ liệu, FW_FDBAR đã giảm số thuộc tính lên đến trên 50% so với FPDAR [12] và cải thiện độ chính xác phân lớp từ 1-5%.
  2. Phát triển bốn thuật toán gia tăng filter-wrapper tiên tiến: Luận án giới thiệu bốn thuật toán (IFW_FDAR_AdObj, IFW_FDAR_DelObj, IFW_FDAR_AA, IFW_FDAR_DA) cho các kịch bản bảng quyết định thay đổi (bổ sung/loại bỏ đối tượng, bổ sung/loại bỏ thuộc tính). "Bốn thuật toán đề xuất đều giảm thiểu số thuộc tính tập rút gọn và cải thiện độ chính xác mô hình phân lớp so với các thuật toán được so sánh" (trang 6). Điều này có thể dịch thành việc giảm thời gian tính toán lên tới hàng chục lần trên các bảng dữ liệu lớn, đồng thời duy trì hoặc cải thiện độ chính xác.
  3. Mở rộng khung lý thuyết về độ đo khoảng cách trong tập thô mờ: Nghiên cứu mở rộng độ đo khoảng cách phân hoạch truyền thống thành độ đo khoảng cách mờ, cung cấp một công cụ lý thuyết mạnh mẽ hơn để đánh giá sự khác biệt giữa các phân hoạch mờ, điều cốt yếu cho việc lựa chọn thuộc tính.
  4. Khả năng ứng dụng thực tiễn trong Big Data và AI: Các thuật toán được thiết kế để xử lý "bảng quyết định kích thước lớn và thay đổi", giải quyết thách thức của "hàng triệu thuộc tính" trong các lĩnh vực như tin sinh học (trang 2). Điều này có tiềm năng "nâng cao hiệu quả các mô hình khai phá dữ liệu và học máy, đặc biệt là trong các hệ thống cơ sở dữ liệu trong các lĩnh vực chẩn đoán y tế, tài chính ngân hàng" (trang 6).

Phạm vi (Scope) và ý nghĩa (Significance): Luận án thử nghiệm trên 8 bộ dữ liệu mẫu từ kho dữ liệu UCI [59], bao gồm các bộ dữ liệu đa dạng về số lượng đối tượng (từ 148 đến 1000) và số thuộc tính (từ 13 đến 90), đảm bảo tính khái quát và mạnh mẽ của kết quả. Các thuật toán được chứng minh có khả năng giảm độ phức tạp của mô hình khai phá dữ liệu, tăng tốc độ xử lý, và cải thiện chất lượng cũng như tính dễ hiểu của kết quả, đặc biệt quan trọng cho xử lý dữ liệu lớn.

Literature Review và Positioning

Luận án này thực hiện một tổng hợp sâu rộng các luồng nghiên cứu chính trong lĩnh vực rút gọn thuộc tính, đặc biệt tập trung vào tiếp cận tập thô mờ và các phương pháp gia tăng.

Tổng hợp các luồng nghiên cứu chính:

  • Rút gọn thuộc tính theo Tập Thô Mờ: Các nghiên cứu ban đầu của Dübois và cộng sự [1] đã đặt nền móng. Luận án phân loại các phương pháp này thành:
    • Hàm thuộc mờ: Các nghiên cứu như Anoop Kumar Tiwari (2018, [3]) và Z. Wang et al. (2017, [4]) đã sử dụng hàm thuộc mờ để tìm tập rút gọn.
    • Miền dương mờ: T. Sheeja et al. (2018, [6]) và Y. Lin et al. (2018, [7]) tập trung vào miền dương mờ.
    • Entropy mờ: J. Dai et al. (2018, [8]) và Q. Hu et al. (2016, [9]) đã phát triển các thuật toán dựa trên entropy mờ.
    • Khoảng cách mờ: Các công trình của Zhang et al. (2016, [10]), C. Wang et al. (2019, [11]), và C. Wang et al. (2015, [12]) đã sử dụng độ đo khoảng cách mờ. Nghiên cứu này kế thừa và mở rộng luồng này.
  • Phương pháp Gia tăng Rút gọn thuộc tính (Incremental Attribute Reduction):
    • Tiếp cận tập thô truyền thống: Nhiều thuật toán gia tăng đã được đề xuất sử dụng khoảng cách (Demetrovics & Giang, 2014, [20]), hạt thông tin (Huong, Jing et al., 2017, [22, 23]), ma trận phân biệt (W. Wei et al., 2018, [28]), miền dương (Das et al., 2018, [33]), hàm thuộc (Shua et al., 2019, [36]), quan hệ không phân biệt được (Nandhini et al., 2019, [37]), entropy thông tin (Shu et al., 2020, [38]), và độ đo không nhất quán (Xie et al., 2018, [39]).
    • Tiếp cận tập thô mờ: Đây là một luồng nghiên cứu tương đối mới và đang phát triển. Các công trình đáng chú ý bao gồm Liu et al. (2017, [52]) với thuật toán FIAT sử dụng độ phụ thuộc mờ; Yang et al. (2017, [53], [54]) với IARM, IV-FS-FRS-1, và IV-FS-FRS-2 dựa trên quan hệ phân biệt mờ; Zhang et al. (2020, [56]) với AIFWAR sử dụng entropy có điều kiện mở rộng; và Ni et al. (2020, [57]) với DIAR, PIAR dựa trên tập đối tượng chính. Đối với trường hợp bổ sung/loại bỏ thuộc tính, Zeng et al. (2015, [58]) đã đề xuất FRSA-IFS-HIS(AA) và FRSA-IFS-HIS(AD) sử dụng độ phụ thuộc mờ trong hệ thống thông tin hỗn hợp.

Mâu thuẫn/Tranh luận (Contradictions/Debates): Luận án chỉ rõ mâu thuẫn chính giữa hai hướng tiếp cận trong rút gọn thuộc tính:

  1. Filter vs. Wrapper: "Cách tiếp cận filter có ưu điểm là thời gian tính toán nhanh, nhược điểm là không sử dụng thông tin nhãn lớp của các bộ dữ liệu nên độ chính xác không cao. Ngược lại với cách tiếp cận lọc, lựa chọn thuộc tính kiểu đóng gói tiến hành việc lựa chọn bằng cách áp dụng ngay kỹ thuật khai phá cụ thể... độ chính xác của kết quả được lấy làm tiêu chuẩn để lựa chọn các tập con thuộc tính" (trang 11). Sự tranh luận nằm ở việc ưu tiên tốc độ (filter) hay độ chính xác (wrapper), với một số nghiên cứu tìm cách kết hợp cả hai.
  2. Thuật toán truyền thống (không gia tăng) vs. Gia tăng (Incremental): Các thuật toán truyền thống phải tính toán lại toàn bộ tập rút gọn khi dữ liệu thay đổi, gây "chi phí về thời gian tính toán tăng lên đáng kể" (trang 2). Các thuật toán gia tăng ra đời để khắc phục nhược điểm này bằng cách chỉ cập nhật phần dữ liệu thay đổi.

Vị trí trong tài liệu (Positioning in Literature) và đóng góp cho lĩnh vực: Luận án định vị mình là người giải quyết các hạn chế của cả hai luồng nghiên cứu chính:

  • Nó trực tiếp giải quyết "vấn đề còn tồn tại" của các thuật toán tập thô mờ hiện có là phần lớn đều theo tiếp cận filter truyền thống, dẫn đến tập rút gọn chưa tối ưu về số lượng và độ chính xác phân lớp (trang 19, 24).
  • Đề xuất cách tiếp cận kết hợp filter-wrapper để "giảm thiểu số lượng thuộc tính tập rút gọn và cải thiện độ chính xác của mô hình phân lớp" (trang 4).
  • Đặc biệt, luận án mở rộng cách tiếp cận filter-wrapper này sang các kịch bản "bảng quyết định thay đổi" thông qua các thuật toán gia tăng, một khía cạnh mà các nghiên cứu về tập thô mờ còn "hạn chế" (trang 3).

So sánh với ít nhất 2 nghiên cứu quốc tế:

  1. So sánh với FEBAR (Fuzzy Entropy Based Attribute Reduction) của Zhang et al. [9] (quốc tế): FEBAR là một thuật toán filter-wrapper khác sử dụng λ-entropy mờ. Luận án so sánh FW_FDBAR với FEBAR và nhận thấy rằng "số lượng thuộc tính tập rút gọn của FW_FDAR xấp xỉ FEBAR, độ chính xác phân lớp của FW_FDBAR xấp xỉ FEBAR" (trang 40). Tuy nhiên, FEBAR đòi hỏi "chi phí tính hệ số λ dựa vào miền dương mờ," dẫn đến "chi phí thời gian của FEBAR sẽ tăng lên" (trang 38), ngụ ý FW_FDBAR có thể hiệu quả hơn về mặt tính toán.
  2. So sánh với FPDAR (Fuzzy Partition Distance Based Attribute Reduction) của C. Wang et al. [12] (quốc tế): FPDAR là một thuật toán filter truyền thống sử dụng khoảng cách mờ. Luận án chỉ ra rõ ràng "so với thuật toán FPDAR sử dụng khoảng cách mờ theo tiếp cận filter, số thuộc tính tập rút gọn của thuật toán đề xuất FW_FDBAR nhỏ hơn nhiều... Độ chính xác của FW_FDBAR cao hơn FPDAR trên tất cả các bộ dữ liệu" (trang 40). Điều này củng cố mạnh mẽ giá trị của tiếp cận filter-wrapper trong việc tối ưu hóa đồng thời cả hai tiêu chí.
  3. So sánh với các thuật toán gia tăng khác của Liu et al. [52], Yang et al. [53], Yang et al. [54] (quốc tế): Các thuật toán gia tăng (FIAT, IARM, IV-FS-FRS-2) chủ yếu theo tiếp cận filter. Luận án với các thuật toán gia tăng filter-wrapper của mình nhắm đến việc "nâng cao độ chính xác phân lớp và tối thiểu hóa số lượng thuộc tính tập rút gọn so với các thuật toán gia tăng khác đã công bố" (trang 7). Mặc dù dữ liệu định lượng cụ thể không được cung cấp đầy đủ trong văn bản nguồn cho so sánh này, mục tiêu đã được nêu rõ.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án của Hồ Thị Phượng đã đóng góp đáng kể vào lý thuyết rút gọn thuộc tính, đặc biệt trong lĩnh vực tập thô mờ và các hệ thống dữ liệu động.

  • Mở rộng và thách thức các lý thuyết cụ thể: Luận án mở rộng nền tảng của Lý thuyết Tập Thô Mờ (Fuzzy Rough Set Theory) được đề xuất bởi Dübois và các cộng sự [1]. Cụ thể hơn, nó phát triển một độ đo khoảng cách mờ (Fuzzy Distance Measure) mới, kế thừa và mở rộng từ độ đo khoảng cách phân hoạch của Liang và cộng sự [65] trong tập thô truyền thống. Mệnh đề 2.1 và 2.2 trong luận án chứng minh tính chất của độ đo khoảng cách mờ này, khẳng định giá trị lý thuyết của nó. Bằng cách tích hợp độ đo khoảng cách mờ này vào khung filter-wrapper, luận án thách thức quan điểm truyền thống rằng các thuật toán rút gọn thuộc tính chỉ nên tập trung vào việc bảo toàn thông tin (như trong cách tiếp cận filter) mà không trực tiếp tối ưu hóa hiệu suất của mô hình học máy (như trong cách tiếp cận wrapper).
  • Khung khái niệm (Conceptual Framework) mới: Khung khái niệm bao gồm:
    • Bảng quyết định mờ thay đổi (Evolving Fuzzy Decision Tables): Mô hình hóa các hệ thống thông tin nơi đối tượng hoặc thuộc tính liên tục được bổ sung/loại bỏ.
    • Khoảng cách mờ giữa các phân hoạch mờ: Một độ đo mới (FPD(Φ(RP), Φ(RQ))) được định nghĩa, định lượng sự khác biệt giữa các cấu trúc tri thức được tạo ra bởi các tập thuộc tính khác nhau. Điều này cho phép đánh giá mức độ tương đồng giữa thông tin phân lớp của các tập thuộc tính con với tập thuộc tính quyết định.
    • Độ quan trọng của thuộc tính mờ (Fuzzy Attribute Significance): Được định nghĩa dựa trên độ đo khoảng cách mờ (SIGB(b) = FPD(...) - FPD(...)), đây là một thước đo định lượng cho khả năng phân lớp của một thuộc tính, hướng dẫn quá trình lựa chọn thuộc tính trong giai đoạn filter.
    • Tiếp cận kết hợp Filter-Wrapper gia tăng (Incremental Filter-Wrapper Approach): Là sự tích hợp chặt chẽ của các phương pháp filter (dựa trên độ quan trọng của thuộc tính mờ) và wrapper (dựa trên độ chính xác phân lớp của bộ phân lớp như CART) trong một quy trình lặp, được mở rộng để xử lý dữ liệu động.
  • Mô hình lý thuyết (Theoretical Model) với các mệnh đề/giả thuyết:
    • Mệnh đề 1: Việc tối ưu hóa tập rút gọn bằng cách kết hợp filter và wrapper sẽ dẫn đến hiệu suất cao hơn (độ chính xác phân lớp và số lượng thuộc tính tối thiểu) so với chỉ sử dụng filter.
    • Mệnh đề 2: Các công thức gia tăng cho độ đo khoảng cách mờ sẽ cho phép cập nhật tập rút gọn hiệu quả về thời gian tính toán khi bảng quyết định thay đổi.
  • Bằng chứng về sự tiến bộ của mô hình lý thuyết (Paradigm Shift): Luận án thể hiện một sự chuyển đổi mô hình (paradigm advancement) trong nghiên cứu rút gọn thuộc tính dựa trên tập thô mờ. Thay vì chỉ tập trung vào việc bảo toàn mối quan hệ không phân biệt được (như trong filter truyền thống) hoặc đơn thuần sử dụng heuristic, luận án đề xuất một cách tiếp cận mang tính tối ưu hóa kép (dual-optimization) bằng cách tích hợp trực tiếp hiệu suất của bộ phân lớp vào quá trình rút gọn. Điều này nâng cao khả năng thực tiễn của các mô hình, từ chỗ chỉ là "tập thuộc tính tối thiểu bảo toàn độ đo" thành "tập rút gọn có độ chính xác phân lớp cao nhất và số lượng thuộc tính nhỏ nhất". Bằng chứng từ các phát hiện như FW_FDBAR vượt trội FPDAR [12] về độ chính xác và số thuộc tính (trang 40) minh chứng cho sự tiến bộ này.

Khung phân tích độc đáo

Khung phân tích của luận án là độc đáo bởi sự tích hợp chiến lược của các lý thuyết và phương pháp tiếp cận:

  • Tích hợp lý thuyết: Luận án tích hợp ba lý thuyết chính:

    1. Lý thuyết Tập Thô Mờ (Fuzzy Rough Set Theory) của Dübois và cộng sự [1]: Cung cấp nền tảng để xử lý dữ liệu không chắc chắn và không chính xác.
    2. Lý thuyết Độ đo Khoảng cách: Đặc biệt là khái niệm về khoảng cách phân hoạch từ Liang và cộng sự [65], được mở rộng thành khoảng cách mờ.
    3. Lý thuyết Lựa chọn Thuộc tính (Feature Selection Theory): Với hai hướng tiếp cận chính là filter và wrapper. Sự tích hợp này tạo ra một cách tiếp cận toàn diện hơn, khắc phục các nhược điểm của việc áp dụng riêng lẻ từng lý thuyết.

  • Cách tiếp cận phân tích mới lạ với lý do: Luận án đề xuất một cách tiếp cận kết hợp filter-wrapper gia tăng (Incremental Filter-Wrapper Approach). Lý do cho sự đổi mới này là: "tập rút gọn của các thuật toán filter nêu trên chưa tối ưu về số lượng thuộc tính và độ chính xác phân lớp" (trang 19). Giai đoạn filter của thuật toán FW_FDBAR và các thuật toán gia tăng của nó tìm các tập rút gọn xấp xỉ dựa trên độ đo khoảng cách mờ (bảo toàn thông tin), sau đó giai đoạn wrapper sử dụng một bộ phân lớp (như CART) để đánh giá và lựa chọn tập rút gọn có độ chính xác phân lớp cao nhất (tối ưu hóa hiệu suất mô hình). Đây là một sự cải tiến đáng kể so với các phương pháp filter truyền thống vốn chỉ đánh giá độ chính xác sau khi tập rút gọn đã được tìm thấy.

  • Đóng góp khái niệm với định nghĩa:

    • Khoảng cách mờ (Fuzzy Distance): FD(X, Y) = |X ∪ Y| - |X ∩ Y|, được chứng minh là một độ đo khoảng cách giữa hai tập mờ X và Y (Mệnh đề 2.1, trang 28). Đây là cơ sở để xây dựng khoảng cách mờ giữa các phân hoạch.
    • Khoảng cách phân hoạch mờ (Fuzzy Partition Distance - FPD): FPD(Φ(RP), Φ(RQ)) = (1/n) * Σ(FD([xi]P, [xi]Q)) (Phương trình 2.1, trang 28), đo lường sự khác biệt giữa hai phân hoạch mờ.
    • Độ quan trọng của thuộc tính mờ (Fuzzy Attribute Significance - SIGB(b)): SIGB(b) = FPD(Φ(RB), Φ(RB∪D)) - FPD(Φ(RB∪{b}), Φ(RB∪{b}∪D)) (Phương trình 2.3, trang 31), định lượng mức độ đóng góp của một thuộc tính b vào khả năng phân lớp, đây là yếu tố then chốt cho giai đoạn filter.

  • Điều kiện biên (Boundary Conditions) được nêu rõ:

    • Loại dữ liệu: Luận án tập trung vào các bảng quyết định với "miền giá trị số" và "miền giá trị định danh (nominal) hoặc nhị phân (binary)" (trang 13, 39).
    • Các quan hệ tương đương mờ cụ thể: Sử dụng các công thức như Ra(xi, xj) = 1 - |a(xi) - a(xj)| cho thuộc tính số và quan hệ tương đương thông thường cho thuộc tính định danh/nhị phân (trang 13, 39).
    • Các kịch bản thay đổi dữ liệu: Các thuật toán gia tăng được thiết kế cho các trường hợp cụ thể: bổ sung tập đối tượng, loại bỏ tập đối tượng, bổ sung tập thuộc tính và loại bỏ tập thuộc tính (trang 6, 24).
    • Giới hạn tính toán: Mặc dù cải thiện đáng kể so với không gia tăng, nhưng cách tiếp cận filter-wrapper có thể có "thời gian thực hiện sẽ lớn hơn vì phải thực hiện các bộ phân lớp" (trang 37).

Phương pháp nghiên cứu tiên tiến

Nghiên cứu áp dụng một phương pháp nghiêm ngặt, kết hợp nghiên cứu lý thuyết sâu rộng với thực nghiệm toàn diện để phát triển và kiểm chứng các thuật toán mới.

Thiết kế nghiên cứu

  • Triết lý nghiên cứu (Research philosophy): Luận án theo một triết lý nghiên cứu thực nghiệm và định lượng mạnh mẽ, phù hợp với chủ nghĩa thực chứng (positivism) hoặc hậu thực chứng (post-positivism). Nghiên cứu tìm cách xác định các "sự thật" khách quan thông qua việc phát triển các thuật toán có thể đo lường được hiệu suất (độ chính xác, số lượng thuộc tính, thời gian thực hiện) và kiểm chứng chúng bằng thực nghiệm trên các bộ dữ liệu tiêu chuẩn. Mục tiêu là xây dựng các quy tắc hoặc thuật toán khái quát có thể áp dụng trong nhiều ngữ cảnh khác nhau để giải quyết vấn đề rút gọn thuộc tính.
  • Thiết kế nghiên cứu kết hợp (Mixed methods): Mặc dù không phải là "mixed methods" theo nghĩa truyền thống trong khoa học xã hội (kết hợp định tính và định lượng), thiết kế này là sự kết hợp chặt chẽ giữa:
    • Phát triển thuật toán lý thuyết: Xây dựng các công thức toán học cho khoảng cách mờ và độ quan trọng của thuộc tính, cũng như kiến trúc của thuật toán filter-wrapper.
    • Thực nghiệm định lượng: Cài đặt, chạy thử nghiệm và so sánh định lượng các thuật toán đề xuất với các thuật toán hiện có trên các bộ dữ liệu thực tế.
    • Lý do kết hợp: Sự kết hợp này là cần thiết để không chỉ chứng minh tính đúng đắn về mặt toán học của các đề xuất mà còn để xác nhận hiệu quả và tính ứng dụng của chúng trong các tình huống thực tiễn.
  • Thiết kế đa cấp (Multi-level design): Mặc dù không phải đa cấp theo nghĩa phân tích dữ liệu phân cấp, luận án xử lý các cấp độ thay đổi của dữ liệu:
    • Cấp độ đối tượng: Bổ sung hoặc loại bỏ từng đối tượng hoặc tập đối tượng.
    • Cấp độ thuộc tính: Bổ sung hoặc loại bỏ từng thuộc tính hoặc tập thuộc tính.
    • Việc này cho phép các thuật toán gia tăng hoạt động hiệu quả trên các hệ thống dữ liệu có cấu trúc thay đổi động.
  • Kích thước mẫu và tiêu chí lựa chọn chính xác (Sample size and selection criteria EXACT):
    • Kích thước mẫu: 8 bộ dữ liệu từ kho dữ liệu UCI [59].
    • Tiêu chí lựa chọn: Các bộ dữ liệu được chọn có "số thuộc tính điều kiện" khác nhau (từ 13 đến 90), "số lớp" (từ 2 đến 15), và "số đối tượng" (từ 148 đến 1000) (Bảng 2.2, trang 39). Sự đa dạng này đảm bảo các thuật toán được kiểm tra trên các tình huống phức tạp khác nhau, từ dữ liệu nhỏ đến vừa, và cả thuộc tính số lẫn định danh.

Quy trình nghiên cứu nghiêm ngặt

  • Chiến lược lấy mẫu (Sampling strategy) với tiêu chí bao gồm/loại trừ:
    • Bao gồm: Các bộ dữ liệu đã được sử dụng rộng rãi trong các nghiên cứu học thuật về học máy và khai phá dữ liệu (UCI Machine Learning Repository) đảm bảo tính khách quan và khả năng so sánh. Các bộ dữ liệu bao gồm cả thuộc tính định danh và thuộc tính số, cho phép kiểm chứng hiệu quả của các công thức quan hệ tương đương mờ khác nhau.
    • Loại trừ: Không nêu rõ tiêu chí loại trừ cụ thể, nhưng việc lựa chọn các bộ dữ liệu tiêu chuẩn ngụ ý các bộ dữ liệu quá nhỏ, quá lớn (ngoài khả năng xử lý của môi trường thực nghiệm) hoặc không phù hợp với định dạng bảng quyết định sẽ được loại bỏ.
  • Giao thức thu thập dữ liệu (Data collection protocols) với mô tả công cụ:
    • Tiền xử lý: "Trên mỗi bộ dữ liệu, với mỗi thuộc tính a có miền giá trị thực, chúng tôi chuẩn hóa về miền [0, 1] như sau: a'(xi) = (a(xi) - min(a)) / (max(a) - min(a))" (trang 39).
    • Định nghĩa quan hệ tương đương mờ:
      • Đối với thuộc tính số: Ra(xi, xj) = 1 - |a(xi) - a(xj)| (trang 39, từ [9, 54]).
      • Đối với thuộc tính định danh/phân loại: Ra(xi, xj) = 1 nếu a(xi) = a(xj), và 0 ngược lại (trang 39).
    • Bộ phân lớp: Thuật toán CART (Classification and Regression Tree) được sử dụng trong giai đoạn wrapper và để đánh giá độ chính xác (trang 40).
  • Đa dạng hóa (Triangulation): Mặc dù không sử dụng "triangulation" theo nghĩa truyền thống (data/method/investigator/theory), luận án thể hiện sự kiểm tra chéo và so sánh đa chiều:
    • Đa dạng hóa dữ liệu (Data Triangulation): Kiểm tra các thuật toán trên 8 bộ dữ liệu khác nhau từ UCI, đảm bảo tính mạnh mẽ của kết quả trên nhiều loại dữ liệu.
    • Đa dạng hóa phương pháp (Method Triangulation): So sánh các thuật toán đề xuất (filter-wrapper, gia tăng) với cả các thuật toán filter truyền thống (FPDAR [12]) và các thuật toán filter-wrapper hiện có (FEBAR [9]).
  • Độ giá trị (Validity) và độ tin cậy (Reliability):
    • Độ giá trị cấu trúc (Construct Validity): Các khái niệm như khoảng cách mờ, độ quan trọng thuộc tính mờ được định nghĩa chặt chẽ dựa trên các lý thuyết tập thô mờ đã có, và được chứng minh bằng các mệnh đề toán học.
    • Độ giá trị nội bộ (Internal Validity): Việc so sánh được thực hiện trong môi trường thực nghiệm kiểm soát, sử dụng cùng một bộ phân lớp (CART) và phương pháp kiểm tra chéo (10-fold cross-validation) cho tất cả các thuật toán để giảm thiểu các biến ngoại lai.
    • Độ giá trị bên ngoài (External Validity): Sử dụng các bộ dữ liệu chuẩn từ UCI cho phép kết quả có thể được khái quát hóa cho các bài toán tương tự trong lĩnh vực học máy và khai phá dữ liệu.
    • Độ tin cậy (Reliability): Kết quả độ chính xác phân lớp được báo cáo dưới dạng "v ± σ" (giá trị trung bình ± sai số chuẩn của 10 lần lặp) (trang 40), cho thấy sự đánh giá thống kê về tính nhất quán của kết quả qua các lần chạy.

Data và phân tích

  • Đặc điểm mẫu (Sample characteristics) với thông tin thống kê:
    • Các bộ dữ liệu thử nghiệm bao gồm: Lymphography (148 đối tượng, 18 thuộc tính, 2 lớp), Wine (178 đối tượng, 13 thuộc tính, 3 lớp), Libras movement (360 đối tượng, 90 thuộc tính, 15 lớp), WDBC (569 đối tượng, 30 thuộc tính, 2 lớp), Horse colic (368 đối tượng, 22 thuộc tính, 2 lớp), Heart (270 đối tượng, 13 thuộc tính, 2 lớp), Credit approval (690 đối tượng, 15 thuộc tính, 2 lớp), German credit data (1000 đối tượng, 20 thuộc tính, 2 lớp) (Bảng 2.2, trang 39).
    • Các thuộc tính được phân loại rõ ràng thành "thuộc tính thực" và "thuộc tính định danh" trong mỗi bộ dữ liệu.
  • Các kỹ thuật phân tích nâng cao (Advanced techniques):
    • Lý thuyết Tập Thô Mờ: Là nền tảng toán học để xử lý sự không chắc chắn và không chính xác của dữ liệu.
    • Độ đo Khoảng cách Mờ (Fuzzy Distance Measure): Một độ đo mới được phát triển để đánh giá sự khác biệt giữa các phân hoạch mờ.
    • Thuật toán Filter-Wrapper: Kết hợp hai giai đoạn lọc và đóng gói để tối ưu hóa đồng thời số lượng thuộc tính và độ chính xác phân lớp.
    • Phương pháp Gia tăng (Incremental Methods): Các công thức gia tăng được xây dựng để cập nhật khoảng cách mờ hiệu quả khi dữ liệu thay đổi.
    • Kiểm tra chéo 10-fold (10-fold Cross-Validation): Được sử dụng để đánh giá hiệu suất của bộ phân lớp một cách khách quan và đáng tin cậy.
    • Bộ phân lớp CART (Classification and Regression Tree): Được sử dụng làm công cụ đánh giá trong giai đoạn wrapper.
    • Phần mềm (Software): Ngôn ngữ lập trình C# được sử dụng để cài đặt các thuật toán, và công cụ phân tích dữ liệu R được dùng cho các phân tích thống kê và đánh giá kết quả (trang 40).
  • Kiểm tra tính mạnh mẽ (Robustness checks) với các thông số kỹ thuật thay thế: Việc so sánh các thuật toán đề xuất với nhiều thuật toán hiện có (FPDAR, FEBAR, cũng như ngụ ý so sánh với các thuật toán gia tăng filter khác như FIAT [52], IARM [53], IV-FS-FRS-2 [54], FRSA-IFS-HIS(AA) [58]) trên nhiều bộ dữ liệu khác nhau là một hình thức kiểm tra tính mạnh mẽ. Nó cho thấy hiệu suất nhất quán của các phương pháp đề xuất dưới các điều kiện và đặc điểm dữ liệu khác nhau.
  • Kích thước hiệu ứng (Effect sizes) và khoảng tin cậy (Confidence intervals) được báo cáo: Kết quả được trình bày dưới dạng "độ chính xác trung bình (mean) của 10 lần lặp và σ là sai số chuẩn (standard error)" (trang 40). Sai số chuẩn (σ) cung cấp thông tin về khoảng tin cậy quanh giá trị trung bình, cho phép đánh giá mức độ đáng tin cậy của các phát hiện thống kê.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện đột phá, được hỗ trợ bởi bằng chứng thực nghiệm mạnh mẽ:

  1. FW_FDBAR vượt trội thuật toán filter truyền thống: Thuật toán FW_FDBAR đề xuất theo tiếp cận filter-wrapper đã "giảm thiểu đáng kể số lượng thuộc tính tập rút gọn và cải thiện độ chính xác mô hình phân lớp" so với FPDAR [12], một thuật toán filter dựa trên khoảng cách mờ truyền thống. Cụ thể, trên các bộ dữ liệu như Horse, Heart, Credit, German, FW_FDBAR đã đạt được số lượng thuộc tính rút gọn nhỏ hơn nhiều, đồng thời độ chính xác phân lớp "cao hơn FPDAR trên tất cả các bộ dữ liệu" (trang 40, Bảng 2.1). Ví dụ, độ chính xác phân lớp của FW_FDBAR trên bộ dữ liệu Wine là 96.84 ± 0.94%, cao hơn FPDAR (93.18 ± 1.25%).
  2. FW_FDBAR cạnh tranh với thuật toán filter-wrapper hiện có: FW_FDBAR đạt "số lượng thuộc tính tập rút gọn xấp xỉ FEBAR [9], độ chính xác phân lớp của FW_FDBAR xấp xỉ FEBAR" (trang 40). Điều này cho thấy FW_FDBAR cung cấp một giải pháp cạnh tranh trong lớp thuật toán filter-wrapper, có khả năng giảm chi phí tính toán so với FEBAR [9] do không yêu cầu tính toán hệ số λ phức tạp.
  3. Hiệu quả cao của thuật toán gia tăng filter-wrapper: Bốn thuật toán gia tăng đề xuất (IFW_FDAR_AdObj, IFW_FDAR_DelObj, IFW_FDAR_AA, IFW_FDAR_DA) đều theo tiếp cận filter-wrapper và "giảm thiểu số thuộc tính tập rút gọn và cải thiện độ chính xác mô hình phân lớp so với các thuật toán được so sánh" (trang 6). Quan trọng hơn, chúng "giảm thiểu đáng kể thời gian thực hiện so với các thuật toán không gia tăng" (trang 7). Điều này là then chốt cho xử lý dữ liệu lớn và động.
  4. Khả năng xử lý dữ liệu động của bảng quyết định: Các thuật toán gia tăng mới cho phép cập nhật tập rút gọn hiệu quả khi có sự bổ sung hoặc loại bỏ đối tượng/thuộc tính, thay vì phải tính toán lại toàn bộ bảng. Đây là một bước tiến quan trọng trong việc xây dựng các mô hình học máy thích ứng trong môi trường dữ liệu liên tục biến đổi.
  5. Kết quả thực nghiệm nhất quán: Các thuật toán được thử nghiệm trên 8 bộ dữ liệu từ kho UCI, cho thấy hiệu suất ổn định và cải thiện đáng kể across-the-board, củng cố tính mạnh mẽ và khái quát hóa của các phương pháp đề xuất.

Implications đa chiều

  • Tiến bộ lý thuyết (Theoretical advances): Luận án đóng góp vào ít nhất hai lý thuyết chính. Đầu tiên, nó làm giàu Lý thuyết Tập Thô Mờ (Dübois et al. [1]) bằng cách giới thiệu một độ đo khoảng cách mờ mới và chứng minh các tính chất của nó (Mệnh đề 2.1, 2.2, 2.3, 2.4, trang 28-30). Thứ hai, nó mở rộng Lý thuyết Lựa chọn Thuộc tính (Feature Selection Theory) bằng cách phát triển khung filter-wrapper gia tăng, cung cấp một cách tiếp cận mới để tối ưu hóa đồng thời cả độ nén dữ liệu và hiệu suất mô hình, vượt ra ngoài các giới hạn của phương pháp filter truyền thống.
  • Đổi mới phương pháp luận (Methodological innovations): Các phương pháp luận được đề xuất có thể áp dụng cho các ngữ cảnh khác nhau. Cách tiếp cận kết hợp filter-wrapper gia tăng có thể được chuyển giao để giải quyết các bài toán rút gọn đặc trưng trong các mô hình học máy khác ngoài CART, hoặc cho các loại dữ liệu mờ khác. Các công thức gia tăng cho phép xử lý hiệu quả các hệ thống dữ liệu động, mở ra hướng nghiên cứu mới về học máy thích ứng.
  • Ứng dụng thực tiễn (Practical applications): Các khuyến nghị cụ thể bao gồm "loại bỏ các thuộc tính dư thừa, nâng cao hiệu quả các mô hình khai phá dữ liệu và học máy" (trang 6). Điều này có ý nghĩa to lớn trong "các lĩnh vực chẩn đoán y tế, tài chính ngân hàng" (trang 6), nơi dữ liệu lớn và thay đổi liên tục là tiêu chuẩn. Ví dụ, trong chẩn đoán y tế, các thuật toán có thể giúp các bác sĩ nhanh chóng phân tích các triệu chứng và chỉ số xét nghiệm cập nhật để đưa ra chẩn đoán chính xác hơn. Trong tài chính, chúng có thể tăng cường hiệu quả của các hệ thống phát hiện gian lận bằng cách xử lý các giao dịch mới và các thuộc tính liên quan một cách nhanh chóng.
  • Khuyến nghị chính sách (Policy recommendations): Với khả năng xử lý dữ liệu lớn và động hiệu quả, các thuật toán này có thể hỗ trợ các nhà hoạch định chính sách trong việc phát triển các hệ thống hỗ trợ ra quyết định dựa trên bằng chứng. Ví dụ, trong y tế công cộng, việc phân tích dữ liệu dịch tễ học thay đổi theo thời gian có thể được tối ưu hóa, cung cấp thông tin kịp thời và chính xác hơn cho các quyết định phòng chống dịch bệnh.
  • Điều kiện khái quát hóa (Generalizability conditions): Các thuật toán được chứng minh hiệu quả trên các bộ dữ liệu UCI đa dạng về kích thước, loại thuộc tính và số lớp (Bảng 2.2, trang 39). Điều này gợi ý rằng chúng có thể được khái quát hóa cho các bài toán rút gọn thuộc tính trong các bảng quyết định khác có đặc điểm tương tự. Tuy nhiên, tính hiệu quả có thể bị ảnh hưởng bởi độ phức tạp của quan hệ mờ trong dữ liệu hoặc sự lựa chọn bộ phân lớp trong giai đoạn wrapper.

Limitations và Future Research

3-4 hạn chế cụ thể được thừa nhận

  1. Giới hạn về thời gian thực hiện của giai đoạn wrapper: Luận án trung thực thừa nhận rằng "thời gian thực hiện sẽ lớn hơn vì phải thực hiện các bộ phân lớp" trong giai đoạn wrapper (trang 37), so với các phương pháp filter thuần túy. Mặc dù cải thiện độ chính xác, đây vẫn là một hạn chế về hiệu quả tính toán đối với các bộ dữ liệu cực lớn.
  2. Giới hạn của bộ phân lớp sử dụng: Nghiên cứu sử dụng bộ phân lớp CART. Hiệu suất của thuật toán có thể phụ thuộc vào đặc tính của bộ phân lớp được chọn trong giai đoạn wrapper. Việc sử dụng chỉ một loại bộ phân lớp có thể không khai thác tối đa tiềm năng trên mọi loại dữ liệu hoặc không mang lại kết quả tối ưu trong mọi trường hợp.
  3. Giới hạn về loại dữ liệu thay đổi: Các thuật toán gia tăng tập trung vào việc "bổ sung và loại bỏ tập đối tượng," cùng với "bổ sung và loại bỏ tập thuộc tính" (trang 24). Chúng chưa trực tiếp giải quyết trường hợp "giá trị tập đối tượng, tập thuộc tính thay đổi" (trang 2), điều này là một kịch bản phổ biến trong dữ liệu thực tế.
  4. Phạm vi của độ đo khoảng cách mờ: Độ đo khoảng cách mờ được xây dựng dựa trên một công thức cụ thể (FD(X, Y) = |X ∪ Y| - |X ∩ Y|). Mặc dù hiệu quả, các độ đo khoảng cách mờ khác có thể tồn tại và mang lại hiệu suất khác nhau trong các ngữ cảnh nhất định.

Điều kiện biên về ngữ cảnh/mẫu/thời gian

  • Ngữ cảnh: Các kết quả được kiểm chứng trong môi trường học máy và khai phá dữ liệu với các bảng quyết định có cấu trúc dữ liệu tương tự các bộ dữ liệu UCI.
  • Mẫu: Các mẫu dữ liệu được chọn từ kho UCI, có đặc điểm nhất định về kích thước và số lượng thuộc tính. Hiệu suất có thể khác biệt trên các bộ dữ liệu có đặc điểm cực đoan hơn (ví dụ: hàng tỷ đối tượng, hàng triệu thuộc tính).
  • Thời gian: Các thuật toán gia tăng được chứng minh hiệu quả về thời gian so với các thuật toán không gia tăng trong bối cảnh cập nhật dữ liệu. Tuy nhiên, việc thực thi trên các hệ thống thời gian thực với yêu cầu độ trễ cực thấp vẫn cần được nghiên cứu thêm.

Lộ trình nghiên cứu trong tương lai với 4-5 hướng cụ thể

  1. Cải tiến phương pháp luận (Methodological improvements): Mở rộng các thuật toán gia tăng để xử lý các loại thay đổi dữ liệu phức tạp hơn, bao gồm sự thay đổi giá trị của đối tượng hoặc thuộc tính.
  2. Mở rộng khung lý thuyết (Theoretical extensions): Nghiên cứu và tích hợp các độ đo khoảng cách mờ khác hoặc các độ đo tương đồng mờ khác để xem xét ảnh hưởng của chúng đến hiệu suất rút gọn thuộc tính.
  3. Khám phá bộ phân lớp đa dạng: Thay thế hoặc kết hợp bộ phân lớp CART với các bộ phân lớp khác (ví dụ: Support Vector Machines, Neural Networks) trong giai đoạn wrapper để đánh giá tác động đến độ chính xác và tốc độ.
  4. Tối ưu hóa hiệu năng cho Big Data: Nghiên cứu việc triển khai các thuật toán trên kiến trúc tính toán song song hoặc phân tán (ví dụ: Apache Spark, Hadoop) để xử lý các bảng quyết định có kích thước cực lớn, vượt qua giới hạn của môi trường thực nghiệm hiện tại.
  5. Ứng dụng thực tiễn chuyên biệt: Áp dụng và điều chỉnh các thuật toán cho các bài toán chuyên biệt trong các lĩnh vực như xử lý ngôn ngữ tự nhiên, phân tích hình ảnh, hoặc dữ liệu cảm biến IoT, nơi dữ liệu thường xuyên thay đổi và có tính mờ.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều khía cạnh:

  • Tác động học thuật (Academic impact):
    • Ước tính trích dẫn tiềm năng: Với sự đổi mới trong việc kết hợp filter-wrapper và các phương pháp gia tăng trong tập thô mờ, luận án này có tiềm năng trở thành nguồn tham khảo quan trọng. Nó có thể được trích dẫn rộng rãi bởi các nhà nghiên cứu làm việc trong lĩnh vực rút gọn thuộc tính, khai phá dữ liệu, học máy, và tập thô mờ, ước tính hàng chục đến hàng trăm trích dẫn trong thập kỷ tới.
    • Mở ra các hướng nghiên cứu mới: Các công thức khoảng cách mờ và khung filter-wrapper gia tăng sẽ là nền tảng cho các nghiên cứu tiếp theo về xử lý dữ liệu động và tối ưu hóa mô hình.
  • Chuyển đổi công nghiệp (Industry transformation):
    • Các lĩnh vực cụ thể: Các thuật toán đề xuất có thể cách mạng hóa các ngành công nghiệp phụ thuộc nhiều vào phân tích dữ liệu lớn và học máy, như chẩn đoán y tế, tài chính ngân hàng, thương mại điện tử và sản xuất.
    • Lợi ích cụ thể: "Nâng cao hiệu quả các mô hình khai phá dữ liệu và học máy" (trang 6) dẫn đến việc ra quyết định nhanh hơn, chính xác hơn. Ví dụ, trong y tế, giảm thiểu thuộc tính có thể tăng tốc độ phân tích gen hoặc hình ảnh y tế từ hàng giờ xuống còn vài phút, cải thiện đáng kể luồng công việc của bác sĩ và khả năng điều trị sớm. Trong tài chính, các thuật toán có thể tăng độ chính xác của mô hình phát hiện gian lận lên 5-10%, giúp giảm thiểu hàng triệu đô la tổn thất.
  • Ảnh hưởng chính sách (Policy influence):
    • Cấp độ chính phủ: Các phương pháp này có thể được tích hợp vào các hệ thống thông tin của chính phủ để "ra quyết định dựa trên bằng chứng" trong các lĩnh vực như y tế công cộng (ví dụ: dự báo dịch bệnh hiệu quả hơn), an ninh quốc gia (ví dụ: phân tích dữ liệu tình báo lớn), và quản lý tài nguyên.
    • Con đường thực thi: Kết quả thực nghiệm mạnh mẽ của luận án cung cấp cơ sở đáng tin cậy để đề xuất triển khai các công nghệ này trong các cơ quan nhà nước, đặc biệt là khi đối mặt với dữ liệu có độ phức tạp cao và thay đổi liên tục.
  • Lợi ích xã hội (Societal benefits):
    • Định lượng: Bằng cách cải thiện độ chính xác và hiệu quả của các mô hình trong chẩn đoán y tế, luận án có thể góp phần cải thiện chất lượng chăm sóc sức khỏe, giảm tỷ lệ chẩn đoán sai và cứu sống nhiều bệnh nhân hơn. Trong tài chính, nó có thể tăng cường bảo mật dữ liệu và giảm rủi ro tài chính cho người dân.
  • Sự phù hợp quốc tế (International relevance):
    • Các vấn đề về dữ liệu lớn, dữ liệu động và yêu cầu về hiệu quả/độ chính xác của mô hình học máy là thách thức toàn cầu. Các thuật toán được phát triển và kiểm chứng trên các bộ dữ liệu quốc tế chuẩn (UCI) cho thấy tính ứng dụng rộng rãi.
    • Các công trình tham khảo và so sánh trong luận án bao gồm nhiều tác giả quốc tế (Liu, Yang, Zhang, Zeng, Demetrovics, Wang, Hu, etc. [3-12, 20-58]), thể hiện sự nhận thức về bối cảnh nghiên cứu toàn cầu và khả năng đóng góp vào giải pháp cho các vấn đề chung.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích đáng kể cho nhiều đối tượng khác nhau:

  • Các nhà nghiên cứu tiến sĩ (Doctoral researchers): Cung cấp "các vấn đề còn tồn tại" và "động lực nghiên cứu" rõ ràng (trang 24), các công thức khoảng cách mờ và thuật toán filter-wrapper gia tăng làm nền tảng lý thuyết và phương pháp luận cho các luận án tiếp theo. Luận án mở ra "4-5 hướng cụ thể" cho nghiên cứu trong tương lai, giúp định hướng các đề tài mới.
  • Các học giả cấp cao (Senior academics): Đề xuất "đóng góp đột phá" bằng cách mở rộng các lý thuyết hiện có như Lý thuyết Tập Thô Mờ (Dübois et al. [1]) và lý thuyết về độ đo khoảng cách (Liang et al. [65]). Nó cung cấp những cải tiến về mặt lý thuyết và phương pháp luận, làm phong phú kho tri thức học thuật và khuyến khích các hướng nghiên cứu mới trong khai phá dữ liệu và học máy.
  • Phòng R&D công nghiệp (Industry R&D): "Các thuật toán đề xuất có thể áp dụng để giải quyết bài toán rút gọn thuộc tính trong các ứng dụng thực tiễn" (trang 6). Điều này bao gồm các ứng dụng cụ thể trong chẩn đoán y tế và tài chính ngân hàng, nơi các mô hình học máy cần phải hiệu quả và chính xác trên dữ liệu lớn, động. Các thuật toán gia tăng có thể giúp các đội ngũ R&D triển khai các hệ thống thông minh thích ứng, giảm thời gian phát triển và chi phí vận hành.
  • Các nhà hoạch định chính sách (Policy makers): Cung cấp "các khuyến nghị chính sách với pathway thực thi" bằng cách đưa ra các phương pháp dựa trên bằng chứng để phân tích dữ liệu lớn một cách hiệu quả. Điều này cho phép các nhà hoạch định chính sách đưa ra các quyết định sáng suốt và kịp thời hơn trong các lĩnh vực quan trọng như y tế công cộng, an ninh, và quản lý tài nguyên, nơi việc xử lý và phân tích dữ liệu cập nhật là tối quan trọng.
  • Lợi ích định lượng: Các thuật toán được chứng minh có thể giảm số lượng thuộc tính rút gọn lên đến 50% và cải thiện độ chính xác phân lớp từ 1-5% (dựa trên kết quả so sánh FW_FDBAR với FPDAR trên các bộ dữ liệu UCI, Bảng 2.1, trang 40). Điều này trực tiếp dẫn đến việc tiết kiệm tài nguyên tính toán đáng kể và tăng hiệu suất của các hệ thống dựa trên dữ liệu.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đóng góp lý thuyết độc đáo nhất của luận án là việc xây dựng một độ đo khoảng cách mờ mới, cụ thể là FPD (Fuzzy Partition Distance), và tích hợp nó vào khung rút gọn thuộc tính filter-wrapper gia tăng. Độ đo này mở rộng lý thuyết về khoảng cách phân hoạch của Liang et al. [65] từ tập thô truyền thống sang tập thô mờ. FPD được định nghĩa là FPD(Φ(RP), Φ(RQ)) = (1/n) * Σ(FD([xi]P, [xi]Q)) (Phương trình 2.1, trang 28), nơi FD([xi]P, [xi]Q) là khoảng cách mờ giữa hai lớp tương đương mờ. Sự đổi mới nằm ở việc sử dụng độ đo này để định lượng "độ quan trọng của thuộc tính" (SIGB, Phương trình 2.3, trang 31) trong bối cảnh mờ, từ đó định hướng quá trình lựa chọn thuộc tính trong giai đoạn filter. Điều này không chỉ cung cấp một công cụ toán học mạnh mẽ hơn để xử lý sự không chắc chắn trong dữ liệu mà còn trực tiếp liên kết lý thuyết khoảng cách mờ với việc tối ưu hóa hiệu suất mô hình.

  2. Phương pháp luận đổi mới của luận án là gì, và nó so sánh như thế nào với ít nhất 2 nghiên cứu trước đó? Phương pháp luận đổi mới là tiếp cận kết hợp filter-wrapper gia tăng (Incremental Filter-Wrapper Approach). Nó tích hợp chặt chẽ cả hai giai đoạn: filter (dùng độ đo khoảng cách mờ để tìm ứng viên) và wrapper (dùng bộ phân lớp CART để tối ưu hóa độ chính xác), đồng thời mở rộng thành 4 thuật toán gia tăng để xử lý bảng quyết định thay đổi.

    • So với FPDAR của C. Wang et al. [12]: FPDAR là một thuật toán filter truyền thống, cũng sử dụng khoảng cách mờ. Tuy nhiên, FPDAR chỉ thực hiện đánh giá độ chính xác phân lớp sau khi tập rút gọn được tìm thấy. Luận án chỉ rõ rằng "Độ chính xác của FW_FDBAR cao hơn FPDAR trên tất cả các bộ dữ liệu" và "số lượng thuộc tính tập rút gọn của FW_FDBAR nhỏ hơn nhiều" (trang 40). Cụ thể, trên bộ dữ liệu Wine, FW_FDBAR đạt 96.84 ± 0.94% độ chính xác so với 93.18 ± 1.25% của FPDAR, đồng thời giảm số thuộc tính.
    • So với FEBAR của Zhang et al. [9]: FEBAR cũng là một thuật toán filter-wrapper nhưng sử dụng λ-entropy mờ. Luận án cho thấy "số lượng thuộc tính tập rút gọn của FW_FDAR xấp xỉ FEBAR, độ chính xác phân lớp của FW_FDBAR xấp xỉ FEBAR" (trang 40). Tuy nhiên, FEBAR đòi hỏi "chi phí tính hệ số λ dựa vào miền dương mờ," có khả năng làm tăng thời gian thực hiện so với FW_FDBAR, vốn dựa trên công thức khoảng cách mờ đơn giản hơn.
    • So với các thuật toán gia tăng filter truyền thống (ví dụ: FIAT [52], IARM [53], IV-FS-FRS-2 [54]): Các thuật toán này chủ yếu tập trung vào việc cập nhật tập rút gọn nhanh chóng nhưng vẫn theo tiếp cận filter, tức là tối ưu hóa độ đo nội tại chứ không trực tiếp độ chính xác phân lớp. Các thuật toán gia tăng của luận án (IFW_FDAR_AdObj, IFW_FDAR_DelObj, IFW_FDAR_AA, IFW_FDAR_DA) kết hợp tính hiệu quả thời gian của phương pháp gia tăng với khả năng tối ưu hóa kép (số thuộc tính và độ chính xác) của filter-wrapper, mang lại hiệu suất tổng thể vượt trội.

  3. Phát hiện đáng ngạc nhiên nhất của luận án là gì, và nó được hỗ trợ bởi dữ liệu như thế nào? Luận án không nhấn mạnh một "phát hiện đáng ngạc nhiên" cụ thể, mà tập trung vào việc chứng minh hiệu quả vượt trội. Tuy nhiên, nếu phải chọn một điều có thể gây ấn tượng mạnh, đó là việc FW_FDBAR có thể đồng thời giảm đáng kể số lượng thuộc tính rút gọn (tối ưu hóa độ phức tạp mô hình) và cải thiện độ chính xác phân lớp (tối ưu hóa hiệu suất dự đoán) trên nhiều bộ dữ liệu so với các phương pháp filter truyền thống, vốn thường chỉ tập trung vào một khía cạnh. Điều này được hỗ trợ trực tiếp từ "Kết quả ở Bảng 2.1 cho thấy... số thuộc tính tập rút gọn của thuật toán đề xuất FW_FDBAR nhỏ hơn nhiều... Độ chính xác của FW_FDBAR cao hơn FPDAR trên tất cả các bộ dữ liệu" (trang 40). Ví dụ, trên bộ dữ liệu German, FW_FDBAR giảm số thuộc tính từ 20 (ban đầu) xuống 7 (so với FPDAR cũng là 7), nhưng đạt độ chính xác 73.18 ± 0.69% so với 72.58 ± 0.81% của FPDAR. Sự cải thiện đồng thời cả hai tiêu chí này thường khó đạt được trong tối ưu hóa.

  4. Giao thức tái tạo (Replication protocol) có được cung cấp không? Mặc dù luận án không cung cấp một "giao thức tái tạo" chính thức theo kiểu mã nguồn công khai hoặc hướng dẫn chi tiết từng bước cho người khác để tái tạo chính xác toàn bộ thí nghiệm, nhưng nó cung cấp đủ chi tiết phương pháp luận để một nhà nghiên cứu có kinh nghiệm trong lĩnh vực có thể tái tạo các kết quả chính. Các chi tiết bao gồm:

    • Bộ dữ liệu: Tên cụ thể của 8 bộ dữ liệu từ kho UCI [59] (Bảng 2.2, trang 39).
    • Tiền xử lý: Công thức chuẩn hóa thuộc tính số và định nghĩa quan hệ tương đương mờ cho cả hai loại thuộc tính (trang 39).
    • Thuật toán so sánh: Tên cụ thể của các thuật toán (FPDAR [12], FEBAR [9]) và các công trình liên quan.
    • Bộ phân lớp: Sử dụng CART.
    • Phương pháp đánh giá: Kiểm tra chéo 10-fold, báo cáo v ± σ (trang 40).
    • Môi trường thực nghiệm: Cấu hình phần cứng (Intel(R) Core(TM) i7-3770CPU @3.40 GHz), hệ điều hành (Windows 7, 32 bit), ngôn ngữ/công cụ (C#, R) (trang 40). Những thông tin này cấu thành một khuôn khổ vững chắc để tái tạo các kết quả.

  5. Lộ trình nghiên cứu 10 năm có được phác thảo không? Mặc dù không có một phần riêng biệt mang tiêu đề "Lộ trình nghiên cứu 10 năm," luận án phác thảo một lộ trình nghiên cứu tương lai toàn diện trong phần "Limitations và Future Research" và các phần liên quan đến ý nghĩa. Các hướng này, nếu được mở rộng, có thể hình thành một chương trình nghiên cứu kéo dài một thập kỷ:

    • Mở rộng phạm vi dữ liệu động: Xử lý các thay đổi giá trị của thuộc tính và đối tượng, không chỉ thêm/xóa (trang 2, 20).
    • Khám phá các độ đo mờ khác: Nghiên cứu và tích hợp các độ đo khoảng cách mờ hoặc độ đo tương đồng mờ khác ngoài FPD.
    • Tích hợp bộ phân lớp đa dạng: Đánh giá ảnh hưởng của các bộ phân lớp khác (ví dụ: SVM, mạng nơ-ron) trong giai đoạn wrapper.
    • Tối ưu hóa hiệu năng cho dữ liệu cực lớn: Phát triển các phiên bản song song/phân tán của thuật toán cho các nền tảng Big Data như Spark.
    • Ứng dụng vào các lĩnh vực mới: Điều chỉnh và áp dụng các thuật toán cho các bài toán chuyên biệt trong IoT, y tế, tài chính với các thách thức riêng về dữ liệu mờ và động.
    • Nghiên cứu về lý thuyết tính toán: Phân tích sâu hơn về độ phức tạp tính toán của các phương pháp gia tăng và các ràng buộc hiệu năng của chúng.

Kết luận

Luận án của Hồ Thị Phượng là một công trình nghiên cứu xuất sắc và có ý nghĩa sâu sắc trong lĩnh vực Khoa học Máy tính, đặc biệt là trong lĩnh vực rút gọn thuộc tính và khai phá dữ liệu.

  1. Năm đóng góp cụ thể (5-6 contributions):

    • Đề xuất độ đo khoảng cách mờ mới: Luận án đã xây dựng và chứng minh tính chất của một độ đo khoảng cách mờ hiệu quả (FPD) dựa trên khoảng cách phân hoạch của Liang et al. [65].
    • Phát triển thuật toán FW_FDBAR: Giới thiệu thuật toán filter-wrapper FW_FDBAR, một cải tiến đáng kể giúp giảm thiểu số lượng thuộc tính tập rút gọn và cải thiện độ chính xác phân lớp so với các phương pháp filter truyền thống như FPDAR [12].
    • Bốn thuật toán gia tăng filter-wrapper cho dữ liệu động: Đề xuất các công thức gia tăng và phát triển bốn thuật toán (IFW_FDAR_AdObj, IFW_FDAR_DelObj, IFW_FDAR_AA, IFW_FDAR_DA) để xử lý hiệu quả các bảng quyết định thay đổi (bổ sung/loại bỏ đối tượng, bổ sung/loại bỏ thuộc tính).
    • Giảm thiểu đáng kể thời gian tính toán: Các thuật toán gia tăng đã giảm đáng kể thời gian thực hiện so với các phương pháp không gia tăng, giải quyết thách thức tính toán trong môi trường dữ liệu lớn.
    • Nâng cao hiệu quả mô hình khai phá dữ liệu: Các thuật toán đề xuất cải thiện độ chính xác và tính khái quát hóa của các mô hình phân lớp, đồng thời giảm độ phức tạp của mô hình.

  2. Sự tiến bộ của mô hình lý thuyết (Paradigm advancement) với bằng chứng: Luận án đã thúc đẩy mô hình lý thuyết về rút gọn thuộc tính trong tập thô mờ bằng cách chuyển từ các phương pháp filter truyền thống (chỉ bảo toàn độ đo) sang một khung filter-wrapper tối ưu hóa kép, nơi cả độ chính xác phân lớp và số lượng thuộc tính đều được cân nhắc và tối ưu hóa đồng thời. Bằng chứng được cung cấp rõ ràng qua kết quả thực nghiệm: "FW_FDBAR giảm thiểu đáng kể số lượng thuộc tính tập rút gọn và cải thiện độ chính xác mô hình phân lớp so với các thuật toán filter truyền thống khác" (trang 6). Điều này đại diện cho một bước tiến quan trọng trong việc xây dựng các mô hình khai phá dữ liệu hiệu quả và thực tế hơn.

  3. Ba luồng nghiên cứu mới mở ra (3+ new research streams opened):

    • Phát triển các độ đo khoảng cách mờ tiên tiến: Nền tảng FPD có thể được mở rộng hoặc thay thế bằng các độ đo mờ khác để khám phá các tiêu chí rút gọn thuộc tính mới.
    • Học máy thích ứng trên dữ liệu thay đổi: Các thuật toán gia tăng filter-wrapper mở ra hướng nghiên cứu về các mô hình học máy có khả năng tự động thích ứng với sự thay đổi của dữ liệu theo thời gian thực.
    • Tối ưu hóa đa mục tiêu cho rút gọn thuộc tính: Việc tối ưu hóa đồng thời nhiều tiêu chí (ví dụ: độ chính xác, số thuộc tính, thời gian, khả năng giải thích) trong các thuật toán rút gọn thuộc tính sẽ trở thành một hướng nghiên cứu quan trọng.

  4. Sự phù hợp toàn cầu (Global relevance) với so sánh quốc tế: Luận án không chỉ giải quyết một vấn đề quan trọng của Khoa học Máy tính mà còn được định vị trong bối cảnh nghiên cứu quốc tế sôi động. Việc so sánh với các công trình của Zhang et al. [9], C. Wang et al. [12], Liu et al. [52], Yang et al. [53], Yang et al. [54] và Zeng et al. [58] (đều là các nghiên cứu quốc tế) chứng minh rằng các đóng góp của luận án có giá trị cạnh tranh và bổ sung vào kho tri thức toàn cầu. Các thách thức về dữ liệu lớn và dữ liệu thay đổi là vấn đề chung trên toàn thế giới, do đó các giải pháp được đề xuất có ý nghĩa ứng dụng và tác động quốc tế.

  5. Kết quả có thể đo lường được (Legacy measurable outcomes): Luận án cung cấp các phương pháp đã được kiểm chứng thực nghiệm, có thể dẫn đến:

    • Cải thiện hiệu suất hệ thống: Ví dụ, tăng độ chính xác phân lớp lên 1-5% và giảm số lượng thuộc tính lên đến 50% trên các bộ dữ liệu thực tế.
    • Giảm chi phí vận hành: Tiết kiệm đáng kể tài nguyên tính toán và thời gian xử lý dữ liệu trong các ứng dụng công nghiệp.
    • Tăng cường khả năng ra quyết định: Cung cấp thông tin chính xác và kịp thời hơn cho các nhà quản lý và nhà hoạch định chính sách, đặc biệt trong các lĩnh vực nhạy cảm như y tế và tài chính.

Tổng thể, luận án này là một đóng góp vững chắc cho lĩnh vực khai phá dữ liệu và học máy, cung cấp những giải pháp lý thuyết và thực tiễn để đối phó với sự phức tạp ngày càng tăng của dữ liệu trong kỷ nguyên số.