Tổng quan về luận án

Luận án tiến sĩ "Nghiên cứu một số phương pháp nâng cao hiệu quả tính toán tập rút gọn trên không gian xấp xỉ mờ" của Phạm Minh Ngọc Hà, thực hiện tại Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam vào năm 2024, thuộc chuyên ngành Hệ thống thông tin, đại diện cho một bước tiến quan trọng trong lĩnh vực chọn lọc thuộc tính và phân tích dữ liệu. Nghiên cứu này hướng tới giải quyết những thách thức cố hữu về hiệu quả tính toán trong xử lý dữ liệu lớn và động, đặc biệt là các bảng quyết định số chứa nhiễu.

Bối cảnh khoa học và tính tiên phong của nghiên cứu

Chọn lọc thuộc tính (Feature Selection - FS), hay rút gọn thuộc tính (Attribute Reduction - AR), là một giai đoạn tiền xử lý dữ liệu thiết yếu, nhằm giảm độ phức tạp tính toán, nâng cao khả năng diễn giải mô hình, và cải thiện độ chính xác dự đoán trong các hệ thống học máy. Lý thuyết tập thô (Rough Set - RS), được Pawlak giới thiệu vào năm 1982 [10], đã chứng minh hiệu quả vượt trội trong việc phân tích dữ liệu không đầy đủ và thiếu nhất quán. Tuy nhiên, các phương pháp dựa trên tập thô truyền thống chủ yếu phù hợp với dữ liệu rời rạc [18], đòi hỏi quá trình rời rạc hóa tốn kém và có nguy cơ làm mất thông tin cho dữ liệu số. Sự ra đời của Tập Thô Mờ (Fuzzy Rough Set - FRS) và các mở rộng như Tập Thô Mờ Độ Chính Xác Thay Đổi (Variable Precision Fuzzy Rough Set - VPFRS) [19], [31], [36]–[50] cùng Tập Thô Mờ Trực Cảm (Intuitionistic Fuzzy Rough Set - IFRS) [13], [20], [22], [41], [46], [51]–[54] đã mở ra hướng tiếp cận trực tiếp với dữ liệu số.

Nghiên cứu của Phạm Minh Ngọc Hà tiên phong trong việc giải quyết hai vấn đề cốt lõi: hiệu quả tính toán của các phương pháp chọn lọc thuộc tính cho bảng quyết định số có chứa nhiễu, và chi phí tính toán cao khi dữ liệu trong các bảng quyết định động thay đổi. Luận án này không chỉ cải thiện các mô hình hiện có mà còn đưa ra các phương pháp mới, hiệu quả hơn, đáp ứng nhu cầu thực tiễn của các ứng dụng học máy liên tục cập nhật.

Research gap SPECIFIC với citations từ literature

Luận án này xác định rõ ràng các khoảng trống nghiên cứu then chốt trong lĩnh vực chọn lọc thuộc tính trên không gian xấp xỉ mờ:

  1. Hiệu quả tính toán cho dữ liệu nhiễu: Các phương pháp Tập Thô Mờ Độ Chính Xác Thay Đổi (VPFRS) hiện tại "còn hạn chế về hiệu quả thời gian tính toán" do "vẫn xem xét toàn bộ các đối tượng trong bảng quyết định" khi điều chỉnh các tập xấp xỉ, dẫn đến chi phí tính toán đáng kể (Chương 1, Mục "Vấn đề còn tồn tại"). Tương tự, tiếp cận IFRS, dù có khả năng cải thiện chất lượng reduct trên dữ liệu nhiễu [51], lại gặp phải hạn chế nghiêm trọng về thời gian tính toán, với "chi phí tính toán gấp đôi tiếp cận FRS" và yêu cầu "không gian lưu trữ và chi phí tính toán... thường gấp đôi so với không gian xấp xỉ mờ truyền thống" (Mở đầu, Chương 1). Đặc biệt, việc xây dựng các hàm thành viên và không thành viên độc lập trong IFRS "là một thách thức lớn" và "tốn kém" (Chương 1).
  2. Mở rộng độ đo hạt thông tin cho không gian xấp xỉ mờ: Trong bối cảnh dữ liệu động, các phương pháp tính toán gia tăng (incremental computation) dựa trên độ đo hạt thông tin tri thức (information-theoretic granular measure) đã được chứng minh là hiệu quả bởi Yang và cộng sự [70] do cấu trúc đơn giản hơn so với độ đo khoảng cách. Tuy nhiên, "nghiên cứu của Zhang và cộng sự mới chỉ phát triển độ đo hạt thông tin tri thức trên không gian xấp xỉ rõ (crisp approximation space), chứ chưa mở rộng nó trên không gian xấp xỉ mờ" (Mở đầu). Đây là một khoảng trống quan trọng cần được lấp đầy để nâng cao hiệu quả của các thuật toán gia tăng trong môi trường dữ liệu mờ.

Research questions và hypotheses (đánh số cụ thể)

Luận án này được định hướng bởi các câu hỏi và giả thuyết nghiên cứu sau:

Mục tiêu 1: Cải thiện thời gian tính toán tập rút gọn trên bảng quyết định số có chứa nhiễu

  • Vấn đề 1: Làm thế nào để nghiên cứu tổng quan, phân tích ưu nhược điểm các phương pháp chọn lọc thuộc tính hiện có nhằm giảm thiểu ảnh hưởng của nhiễu, và lý giải sự lựa chọn tiếp cận VPFRS?
  • Vấn đề 2: Có thể phát triển và tối ưu hóa các phép toán cơ bản, đặc biệt là các phép toán xấp xỉ, để cải thiện hiệu quả thời gian tính toán các tập xấp xỉ trong VPFRS hiện có hay không?
    • Giả thuyết 1.2: Việc tối ưu hóa các phép toán xấp xỉ trong VPFRS dựa trên các tính chất cơ bản của tập thô mờ sẽ giúp giảm đáng kể thời gian tính toán mà vẫn duy trì hoặc cải thiện chất lượng reduct.
  • Vấn đề 3: Một phương pháp chọn lọc thuộc tính mới, dựa trên tiếp cận VPFRS đã được mở rộng và tối ưu hóa, có thể cải thiện độ chính xác phân lớp và thời gian thực hiện so với các phương pháp hiện có trên các bảng quyết định số chứa nhiễu hay không?
    • Giả thuyết 1.3: Phương pháp VPOFRS (Variable Precision Fuzzy Rough Sets cải tiến) đề xuất sẽ cho thời gian thực hiện nhanh hơn và reduct có kích thước nhỏ hơn, độ chính xác phân lớp cao hơn so với IFRS và VPFRS truyền thống.

Mục tiêu 2: Cải thiện thời gian tính toán tập rút gọn trên các bảng quyết định động (thay đổi tập đối tượng)

  • Vấn đề 1: Làm thế nào để nghiên cứu và đánh giá các phương pháp chọn lọc thuộc tính gia tăng hiện có dựa trên tiếp cận tính toán hạt, xác định các khoảng trống nghiên cứu, và lý giải sự lựa chọn tiếp cận hạt thông tin tri thức?
  • Vấn đề 2: Có thể mở rộng khái niệm hạt thông tin tri thức trên không gian xấp xỉ mờ và xây dựng một độ đo mới dựa trên tiếp cận tính toán hạt không?
    • Giả thuyết 2.2: Khái niệm hạt thông tin mờ và độ đo hạt thông tin mờ có thể được định nghĩa một cách chặt chẽ trên không gian xấp xỉ mờ, cung cấp một cơ sở lý thuyết vững chắc cho tính toán gia tăng.
  • Vấn đề 3: Có thể xây dựng các công thức tính toán gia tăng hiệu quả tương ứng với các trường hợp bổ sung và loại bỏ đối tượng trong bảng quyết định số dựa trên độ đo hạt thông tin mờ mới đề xuất không?
    • Giả thuyết 2.3: Các công thức gia tăng sẽ đơn giản hơn và thời gian tính toán nhanh hơn so với các phương pháp dựa trên độ đo khoảng cách.
  • Vấn đề 4: Các phương pháp chọn lọc thuộc tính gia tăng mới, tương ứng với các công thức tính toán gia tăng đã được xây dựng, có thể cải thiện hiệu suất và độ chính xác phân lớp trong các bảng quyết định động hay không?
    • Giả thuyết 2.4: Các thuật toán gia tăng FIGAMO và FIGDMO đề xuất sẽ cho thời gian thực hiện nhanh hơn, kích thước tập rút gọn nhỏ hơn và độ chính xác phân lớp cao hơn so với các phương pháp gia tăng truyền thống dựa trên khoảng cách mờ.

Theoretical framework với tên theories cụ thể

Luận án được xây dựng trên một nền tảng lý thuyết vững chắc, kết hợp các mô hình và khái niệm tiên tiến trong xử lý thông tin và học máy:

  1. Lý thuyết Tập Thô (Rough Set - RS) của Zdzisław Pawlak (1982) [10]: Cung cấp cơ sở cho việc phân tích dữ liệu không đầy đủ và không nhất quán thông qua các khái niệm xấp xỉ dưới và xấp xỉ trên.
  2. Lý thuyết Tập Mờ (Fuzzy Set): Mở rộng khái niệm tập thô để xử lý dữ liệu liên tục và các mối quan hệ "mềm dẻo" giữa các đối tượng thông qua độ thành viên trong khoảng [0, 1].
  3. Không gian Xấp Xỉ Mờ (Fuzzy Approximation Space): Cho phép xây dựng các quan hệ tương tự (similarity relation) thay vì quan hệ tương đương (equivalence relation) cứng nhắc, phù hợp với dữ liệu số.
  4. Mô hình Tập Thô Mờ Độ Chính Xác Thay Đổi (Variable Precision Fuzzy Rough Set - VPFRS): Mở rộng Tập Thô Mờ để xử lý dữ liệu có nhiễu bằng cách điều chỉnh ngưỡng chính xác (beta) trong các tập xấp xỉ.
  5. Tính toán Hạt (Granular Computing): Cung cấp khung lý thuyết để xử lý thông tin ở các mức độ hạt khác nhau, từ đó phát triển các độ đo hạt thông tin.
  6. Độ đo Hạt Thông tin tri thức (Information-theoretic Granular Measure): Nền tảng cho việc xây dựng các công thức tính toán gia tăng hiệu quả, dựa trên độ thô và độ mịn của các phân hoạch.

Đóng góp đột phá với quantified impact

Luận án mang lại những đóng góp đột phá, được kiểm chứng bằng thực nghiệm và có tác động định lượng rõ ràng:

  1. Tối ưu hóa Tập Thô Mờ Độ Chính Xác Thay Đổi (VPOFRS): Đề xuất phương pháp mở rộng mô hình VPFRS, giúp "thời gian thực hiện nhanh hơn so với thuật toán rút gọn thuộc tính theo tiếp cận IFRS và VPFRS truyền thống." (Kết quả nghiên cứu 1). Đồng thời, tập rút gọn thu được "có kích thước nhỏ hơn và độ chính xác phân lớp cao hơn so với một số phương pháp hiện có trên một số bộ dữ liệu." (Kết quả nghiên cứu 1). Đây là bước tiến quan trọng trong việc xử lý dữ liệu số nhiễu, giảm chi phí tính toán vốn là rào cản lớn.
  2. Khái niệm và Độ đo Hạt Thông tin Mờ mới: Luận án đã thành công "Đề xuất khái niệm hạt thông tin mờ và độ đo hạt thông tin mờ" trên không gian xấp xỉ mờ (Kết quả nghiên cứu 2), lấp đầy khoảng trống nghiên cứu của Yang và cộng sự [70] khi mở rộng hạt thông tin tri thức từ không gian xấp xỉ rõ sang không gian xấp xỉ mờ. Điều này mở ra hướng tiếp cận mới cho các phương pháp tính toán gia tăng.
  3. Thuật toán Rút gọn Thuộc tính Gia tăng Hiệu quả (FIGAMO & FIGDMO): Xây dựng công thức gia tăng khi bổ sung và loại bỏ tập đối tượng dựa trên độ đo hạt thông tin mờ. Các thuật toán này cho thấy "thời gian thực hiện nhanh hơn so với thuật toán rút gọn thuộc tính theo tiếp cận khoảng cách mờ truyền thống." (Kết quả nghiên cứu 2) và "tập rút gọn thu được có kích thước nhỏ hơn và độ chính xác phân lớp cao hơn so với một số phương pháp khác trên một số bộ dữ liệu." (Kết quả nghiên cứu 2). Thành tựu này cải thiện đáng kể khả năng cập nhật mô hình học máy theo thời gian thực.
  4. Cải thiện chất lượng Reduct: Cả hai nhóm phương pháp đề xuất đều mang lại reduct với "kích thước nhỏ hơn và độ chính xác phân lớp cao hơn" trên "một số bộ dữ liệu" so với các phương pháp hiện có, một chỉ số hiệu suất quan trọng trong học máy. Điều này trực tiếp nâng cao hiệu quả của các mô hình học máy sử dụng tập dữ liệu được rút gọn.

Scope (sample size, timeframe) và significance

Luận án tập trung nghiên cứu trên "các bảng quyết định đầy đủ có miền giá trị số", sử dụng các "bộ dữ liệu số đầy đủ (complete numerical datasets) có sẵn từ kho dữ liệu học máy UCI [93]". Điều này đảm bảo tính thực tiễn và khả năng kiểm chứng của các phương pháp đề xuất. Phạm vi nghiên cứu bao gồm việc cải thiện độ chính xác cho các bảng quyết định số có chứa nhiễu và các phương pháp chọn lọc thuộc tính gia tăng trên các bảng quyết định số có sự thay đổi về tập đối tượng. Thời gian thực hiện luận án kết thúc vào năm 2024.

Ý nghĩa của nghiên cứu rất lớn, tác động đến nhiều lĩnh vực:

  • Khoa học dữ liệu và Học máy: Cung cấp các công cụ và thuật toán hiệu quả hơn cho việc tiền xử lý dữ liệu, giúp xây dựng các mô hình học máy nhanh hơn, chính xác hơn, và dễ hiểu hơn.
  • Ứng dụng thực tiễn: Đặc biệt có ý nghĩa trong các hệ thống đòi hỏi cập nhật liên tục như giám sát giao thông, phát hiện spam web [94], phát hiện malware [95], [96], và hệ thống phát hiện xâm nhập (IDS) trong điện toán đám mây [97], nơi hiệu quả tính toán và độ chính xác là tối quan trọng.
  • Lý thuyết: Mở rộng các mô hình lý thuyết Tập Thô Mờ và Tính toán Hạt, đóng góp vào sự phát triển của nền tảng toán học cho xử lý thông tin không chắc chắn.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể

Nghiên cứu về chọn lọc thuộc tính trên không gian xấp xỉ mờ là một lĩnh vực năng động, tập trung vào việc xử lý dữ liệu số và giảm thiểu ảnh hưởng của nhiễu. Luận án tổng hợp ba luồng nghiên cứu chính liên quan đến độ đo trên không gian xấp xỉ mờ:

  1. Độ đo miền dương mờ (Fuzzy Positive Region Measure): Các nghiên cứu như của Lin et al. (2019, 2020) [23], [24] và Zhou et al. (2023) [25], [26] đã mở rộng khái niệm miền dương từ tập thô truyền thống sang không gian xấp xỉ mờ, sử dụng các giá trị thống kê của tập xấp xỉ dưới để đo lường độ phụ thuộc thuộc tính.
  2. Độ đo Entropy mờ (Fuzzy Entropy Measure): Dựa trên khái niệm Entropy của Shanon, các nghiên cứu của Zhao et al. (2019, 2020) [29] và Liu et al. (2023) [4] đã phát triển độ đo Entropy mờ để đánh giá độ lợi thông tin của thuộc tính, xếp hạng mức độ quan trọng.
  3. Độ đo hạt thông tin mờ (Fuzzy Information Granular Measure): Luồng nghiên cứu này, được đề cập bởi Zhao et al. (2019, 2020) [11] và Sun et al. (2023) [6], tập trung vào việc định lượng độ thô và độ mịn của các phân hoạch trên không gian xấp xỉ mờ để đánh giá độ phụ thuộc thuộc tính.

Ngoài ra, luận án còn khảo sát sâu về các phương pháp chọn lọc thuộc tính cải thiện độ chính xác trên không gian xấp xỉ mờ, bao gồm:

  • Tập Thô Độ Chính Xác Thay Đổi (VPRS): Ban đầu được Ziarko đề xuất để xử lý dữ liệu không đầy đủ bằng cách điều chỉnh thành phần trong tập xấp xỉ dưới, sau đó được mở rộng trên không gian xấp xỉ mờ bởi Luan et al. (2018, 2019) [36], [42], và Yin et al. (2020, 2021) [19], [40], [43] để xử lý bảng quyết định số có nhiễu.
  • Tập Thô Mờ Trực Cảm (IFRS): Các nghiên cứu của Deng et al. (2020) [51] và Chen et al. (2020) [51], [53] đã sử dụng IFRS để xử lý nhiễu, dựa trên không gian xấp xỉ mờ trực cảm với các ràng buộc chặt chẽ hơn về hàm thành viên và không thành viên.

Trong mảng tính toán gia tăng, luận án đã xem xét các nghiên cứu:

  • Thay đổi tập đối tượng: Jing và các cộng sự (2018) [3] đã trình bày về sự suy giảm độ quan trọng của thuộc tính khi tập đối tượng tăng, trong khi Yang và cộng sự (2022) [70] đã đề xuất phương pháp tính toán gia tăng theo tiếp cận độ đo hạt thông tin tri thức. Liang và cộng sự (2019) [89] sử dụng entropy thông tin. Giang và các cộng sự (2021) [76] đề xuất thuật toán gia tăng sử dụng khoảng cách mờ.
  • Thay đổi tập thuộc tính: Wang và các cộng sự (2018) [86] đã sử dụng entropy thông tin để tính toán mức độ suy giảm thông tin.

Contradictions/debates với ít nhất 2 opposing views

Trong lĩnh vực chọn lọc thuộc tính trên không gian xấp xỉ mờ, tồn tại một số tranh luận chính liên quan đến hiệu quả và chi phí tính toán:

  1. Hiệu quả giữa VPFRS và IFRS trong xử lý nhiễu:

    • VPFRS: Tiếp cận này điều chỉnh độ chính xác của các tập xấp xỉ thông qua ngưỡng beta. Mặc dù có khả năng cải thiện độ chính xác [31], [39], [45], phương pháp này "phụ thuộc nhiều vào việc lựa chọn giá trị ngưỡng điều chỉnh" và "đòi hỏi nhiều kinh nghiệm và phân tích thống kê để chọn ngưỡng phù hợp" (Chương 1). Đồng thời, các phương pháp hiện có "còn hạn chế về hiệu quả thời gian tính toán" do xem xét toàn bộ đối tượng (Chương 1).
    • IFRS: Các công trình nghiên cứu [51] cho thấy tiếp cận IFRS "có thể cải thiện chất lượng reduct trên các bộ dữ liệu nhiễu". Tuy nhiên, IFRS phải trả giá bằng "thời gian tính toán còn nhiều hạn chế (chi phí tính toán gấp đôi tiếp cận FRS)" và yêu cầu "không gian lưu trữ và chi phí tính toán... thường gấp đôi so với không gian xấp xỉ mờ truyền thống" [52]. Ngoài ra, việc xây dựng các hàm thành viên và không thành viên độc lập "là một thách thức lớn" và "tốn kém" (Chương 1).
    • Tranh luận: Sự đánh đổi giữa khả năng xử lý nhiễu mạnh mẽ hơn (IFRS) và chi phí tính toán cao hơn so với VPFRS, vốn có thể tối ưu hóa hiệu quả nếu ngưỡng được chọn phù hợp.

  2. Lựa chọn độ đo cho tính toán gia tăng: Khoảng cách mờ vs. Hạt thông tin tri thức:

    • Độ đo khoảng cách: Được sử dụng bởi Nguyễn Bá Quảng (trong luận án tiến sĩ của ông tại Việt Nam) và Giang và cộng sự [76], độ đo khoảng cách thường được xây dựng dựa trên các phép toán giao và hợp của tập hợp. Các công thức này đôi khi phức tạp trong chứng minh và xác nhận tính đúng đắn khi dữ liệu thay đổi.
    • Độ đo hạt thông tin tri thức: Được đề xuất bởi Yang và cộng sự [70], độ đo này dựa trên độ thô và độ mịn của các phân hoạch. Luận án nhận định rằng "cấu trúc đơn giản hơn và thời gian tính toán nhanh hơn" so với độ đo khoảng cách (Mở đầu). Tuy nhiên, độ đo này "chưa được mở rộng nó trên không gian xấp xỉ mờ" (Mở đầu).
    • Tranh luận: Ưu tiên tính đơn giản và hiệu quả tính toán của hạt thông tin tri thức so với sự phức tạp của độ đo khoảng cách, đặc biệt trong môi trường không gian xấp xỉ mờ chưa được khám phá cho hạt thông tin tri thức.

Positioning trong literature với specific gap identified

Luận án của Phạm Minh Ngọc Hà tự định vị một cách chiến lược bằng cách giải quyết trực tiếp những hạn chế của các phương pháp hiện có. Thay vì chỉ mở rộng các độ đo như luận án của TS. Nguyễn Văn Thiện hay đề xuất độ đo khoảng cách mờ trực cảm như luận án của TS. Trần Thanh Đại, nghiên cứu này tập trung vào tối ưu hóa chi phí tính toán – một yếu tố then chốt cho các ứng dụng thực tế.

Cụ thể, luận án này lấp đầy hai khoảng trống chính:

  1. Cho dữ liệu nhiễu: Luận án "đề xuất một hướng nghiên cứu mở rộng mô hình Tập Thô Mờ Độ Chính Xác Thay Đổi" nhằm cải thiện thời gian tính toán các tập xấp xỉ, giải quyết vấn đề hiệu quả tính toán còn hạn chế của các phương pháp VPFRS hiện tại, và vượt qua chi phí tính toán gấp đôi của IFRS (Chương 1).
  2. Cho dữ liệu động: Luận án "nghiên cứu mở rộng độ đo hạt thông tin tri thức trên không gian xấp xỉ mờ" (Mở đầu), một đóng góp quan trọng khi độ đo này trước đây chỉ được phát triển trên không gian xấp xỉ rõ [70]. Việc này tạo ra một nền tảng hiệu quả hơn cho các thuật toán tính toán gia tăng, khắc phục sự phức tạp của các công thức dựa trên khoảng cách mờ.

How this advances field với concrete contributions

Luận án này đẩy mạnh lĩnh vực chọn lọc thuộc tính theo nhiều cách:

  • Hiệu quả tính toán vượt trội: Cải thiện đáng kể hiệu suất tính toán cho các phương pháp xử lý dữ liệu số có nhiễu và dữ liệu động. Việc tối ưu hóa các phép toán xấp xỉ trong VPOFRS và phát triển thuật toán gia tăng dựa trên hạt thông tin mờ mới (FIGAMO, FIGDMO) mang lại "thời gian thực hiện nhanh hơn" (Kết quả nghiên cứu 1 & 2) so với các phương pháp truyền thống.
  • Nâng cao chất lượng reduct: Các phương pháp đề xuất cho ra "tập rút gọn thu được có kích thước nhỏ hơn và độ chính xác phân lớp cao hơn" (Kết quả nghiên cứu 1 & 2) so với các phương pháp hiện có, trực tiếp cải thiện hiệu suất của các mô hình học máy.
  • Mở rộng nền tảng lý thuyết: Thành công mở rộng khái niệm hạt thông tin tri thức lên không gian xấp xỉ mờ, cung cấp một khung lý thuyết mạnh mẽ hơn cho tính toán hạt trong môi trường mờ.

So sánh với ÍT NHẤT 2 international studies

  1. So sánh với Yang và cộng sự [70]: Yang và cộng sự đã đề xuất một phương pháp tính toán gia tăng theo tiếp cận độ đo hạt thông tin tri thức trên không gian xấp xỉ rõ (crisp approximation space). Luận án của Phạm Minh Ngọc Hà đã mở rộng công trình này bằng cách "Mở rộng khái niệm hạt thông tin tri thức trên không gian xấp xỉ mờ và xây dựng một độ đo mới" (Mục tiêu nghiên cứu 2, Vấn đề 2). Điều này cho phép áp dụng độ đo hạt thông tin tri thức vào bảng quyết định số một cách trực tiếp mà không cần rời rạc hóa, giải quyết hạn chế của nghiên cứu gốc và cung cấp công thức tính toán gia tăng "đơn giản hơn và thời gian tính toán nhanh hơn" (Chương 1) so với các phương pháp dựa trên khoảng cách.
  2. So sánh với các nghiên cứu IFRS như Deng et al. [51] và Chen et al. [51], [53]: Các công trình này đã chỉ ra rằng tiếp cận IFRS có thể cải thiện chất lượng reduct trên các bộ dữ liệu nhiễu. Tuy nhiên, luận án này chỉ ra rằng IFRS "thời gian tính toán còn nhiều hạn chế (chi phí tính toán gấp đôi tiếp cận FRS)" và "không gian lưu trữ và chi phí tính toán... thường gấp đôi so với không gian xấp xỉ mờ truyền thống" [52]. Ngược lại, phương pháp VPOFRS được đề xuất trong luận án này tập trung vào việc cải thiện hiệu quả thời gian tính toán của quá trình chọn lọc thuộc tính trong khi vẫn đạt được "kích thước nhỏ hơn và độ chính xác phân lớp cao hơn" của tập rút gọn (Kết quả nghiên cứu 1), vượt qua hạn chế về chi phí của IFRS.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này cung cấp những đóng góp lý thuyết đáng kể, mở rộng và thách thức các lý thuyết hiện có trong lĩnh vực Tập Thô và Tính toán Hạt:

  • Extend/challenge WHICH specific theories (name theorists):
    • Mở rộng lý thuyết Tập Thô Mờ Độ Chính Xác Thay Đổi (VPFRS): Luận án "Đề xuất phương pháp mở rộng mô hình tập thô mờ độ chính xác thay đổi VPOFRS" (Kết quả nghiên cứu 1). Đóng góp này mở rộng công trình của Ziarko về VPRS và các mở rộng VPFRS trên không gian xấp xỉ mờ của Luan et al. [36], [42] và Yin et al. [19], [40], [43]. Luận án thách thức giả định về việc cần xét toàn bộ các đối tượng khi điều chỉnh tập xấp xỉ, thay vào đó tối ưu hóa các phép toán cơ bản dựa trên tính chất tập con của phân lớp, dẫn đến hiệu quả tính toán vượt trội mà các mô hình VPFRS truyền thống còn hạn chế.
    • Mở rộng lý thuyết Tính toán Hạt và độ đo Hạt thông tin tri thức: Luận án "Đề xuất khái niệm hạt thông tin mờ và độ đo hạt thông tin mờ" (Kết quả nghiên cứu 2), mở rộng độ đo hạt thông tin tri thức của Yang et al. [70] từ không gian xấp xỉ rõ sang không gian xấp xỉ mờ. Điều này tạo ra một khung lý thuyết mới cho việc đánh giá thông tin và độ phụ thuộc thuộc tính trong môi trường mờ, vốn chưa được khám phá đầy đủ theo tiếp cận này.
  • Conceptual framework với components và relationships: Khung phân tích khái niệm của luận án được xây dựng dựa trên việc tích hợp và mở rộng các khái niệm cơ bản:
    1. Không gian Xấp Xỉ Mờ (Fuzzy Approximation Space): Là nền tảng cơ bản, biểu diễn quan hệ tương tự (similarity relation) giữa các đối tượng bằng các giá trị trong khoảng [0, 1].
    2. Mô hình VPOFRS (Variable Precision Optimized Fuzzy Rough Set): Một thành phần cốt lõi, được đề xuất để điều chỉnh độ chính xác của các tập xấp xỉ dưới, nhưng với các phép toán được tối ưu hóa để giảm chi phí tính toán.
    3. Hạt Thông tin Mờ (Fuzzy Information Granular - FIG): Khái niệm mới được định nghĩa, đo lường độ thô và độ mịn của các phân hoạch trong không gian xấp xỉ mờ, phản ánh lượng thông tin mà một tập thuộc tính mang lại.
    4. Công thức tính toán gia tăng: Liên kết hạt thông tin mờ với việc cập nhật reduct khi có sự thay đổi về tập đối tượng (bổ sung hoặc loại bỏ), tạo thành mối quan hệ động giữa dữ liệu và cấu trúc thông tin.
  • Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết của luận án xoay quanh việc tối ưu hóa hiệu quả tính toán cho việc rút gọn thuộc tính:
    • Proposition 1: Hiệu quả tính toán của các tập xấp xỉ dưới trong mô hình VPFRS có thể được cải thiện đáng kể bằng cách tối ưu hóa các phép toán cơ bản dựa trên tính chất tập con của các phân lớp, thay vì xét toàn bộ tập đối tượng.
    • Hypothesis 1.1: Phương pháp VPOFRS đề xuất sẽ cho "thời gian thực hiện nhanh hơn" và "độ chính xác phân lớp cao hơn" so với IFRS và VPFRS truyền thống trên bảng quyết định số có nhiễu.
    • Proposition 2: Khái niệm hạt thông tin tri thức có thể được mở rộng thành công trên không gian xấp xỉ mờ, tạo ra một độ đo hạt thông tin mờ phản ánh chính xác độ phụ thuộc thuộc tính.
    • Hypothesis 2.1: Các công thức tính toán gia tăng dựa trên độ đo hạt thông tin mờ (FIGAMO, FIGDMO) sẽ đơn giản hơn về mặt cấu trúc và hiệu quả hơn về thời gian tính toán so với các phương pháp gia tăng dựa trên độ đo khoảng cách mờ khi có sự thay đổi về đối tượng.
    • Hypothesis 2.2: Các thuật toán gia tăng đề xuất sẽ cho ra reduct với "kích thước nhỏ hơn và độ chính xác phân lớp cao hơn" so với các phương pháp gia tăng truyền thống trên các bộ dữ liệu lớn.
  • Paradigm shift với EVIDENCE từ findings: Luận án này tạo ra một sự dịch chuyển nhỏ trong khuôn khổ thực chứng luận truyền thống về tập thô. Thay vì tập trung chỉ vào việc bảo toàn khả năng phân lớp hoặc giảm thuộc tính một cách tối thiểu, luận án đẩy mạnh tối ưu hóa hiệu quả tính toán như một yếu tố tiên quyết ngang bằng với chất lượng reduct, đặc biệt trong bối cảnh dữ liệu lớn và động. Điều này được chứng minh bằng các kết quả thực nghiệm về thời gian thực hiện, ví dụ: "thuật toán rút gọn thuộc tính đề xuất trên mô hình VPOFRS cho thời gian thực hiện nhanh hơn..." và "...theo tiếp cận độ đo hạt thông tin mờ cho thời gian thực hiện nhanh hơn..." (Kết quả nghiên cứu 1 & 2), cung cấp bằng chứng cụ thể cho sự ưu tiên này.

Khung phân tích độc đáo

  • Integration của theories (name 3+ specific theories): Luận án tích hợp một cách sáng tạo ba nền tảng lý thuyết chính:
    1. Lý thuyết Tập Thô Mờ (FRS): Làm nền tảng cho việc xử lý dữ liệu số.
    2. Lý thuyết Tập Thô Mờ Độ Chính Xác Thay Đổi (VPFRS): Được mở rộng và tối ưu hóa để đối phó với dữ liệu nhiễu, cụ thể là mô hình VPOFRS đề xuất.
    3. Lý thuyết Tính toán Hạt (Granular Computing): Được áp dụng thông qua khái niệm hạt thông tin mờ để phát triển các phương pháp tính toán gia tăng hiệu quả cho dữ liệu động. Sự tích hợp này cho phép luận án giải quyết đồng thời các thách thức về độ chính xác và hiệu quả tính toán trong các môi trường dữ liệu khác nhau.
  • Novel analytical approach với justification: Cách tiếp cận phân tích độc đáo nằm ở việc tối ưu hóa các phép toán xấp xỉ dưới trong VPFRS bằng cách khai thác các tính chất cơ bản của tập thô và tập thô mờ, thay vì thực hiện duyệt toàn bộ tập đối tượng. Luận án đã xác định rằng "tập các đối tượng trong một phân lớp luôn là tập con của tập đối tượng trong bảng quyết định, và các tính chất cơ bản của tập thô cho phép tùy biến các phép toán xấp xỉ phù hợp với nhiều trường hợp dữ liệu khác nhau" (Chương 1, Mục "Vấn đề còn tồn tại"). Đây là điểm mấu chốt để đạt được "thời gian tính toán hiệu quả hơn mô hình VPFRS hiện có" (Mục tiêu nghiên cứu 1). Hơn nữa, việc mở rộng độ đo hạt thông tin tri thức sang không gian xấp xỉ mờ là một cách tiếp cận mới để đơn giản hóa các công thức tính toán gia tăng, cung cấp giải pháp hiệu quả cho dữ liệu động.
  • Conceptual contributions với definitions:
    • VPOFRS (Variable Precision Optimized Fuzzy Rough Set): Một mô hình tập thô mờ độ chính xác thay đổi được tối ưu hóa, với các phép toán xấp xỉ được thiết kế lại để tăng hiệu quả tính toán.
    • Hạt thông tin mờ (Fuzzy Information Granular - FIG): Một độ đo mới được định nghĩa, mở rộng khái niệm hạt thông tin tri thức để định lượng mức độ thông tin và độ phụ thuộc của thuộc tính trong môi trường không gian xấp xỉ mờ.
    • Công thức gia tăng bổ sung/loại bỏ đối tượng (FIGAMO/FIGDMO): Các công thức toán học cụ thể để cập nhật tập rút gọn một cách hiệu quả khi có sự thay đổi về tập đối tượng, dựa trên độ đo hạt thông tin mờ.
  • Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu được xác định rõ ràng:
    • Loại dữ liệu: Luận án tập trung vào "rút gọn các bảng quyết định đầy đủ có miền giá trị số" (Đối tượng nghiên cứu).
    • Phạm vi thay đổi dữ liệu: Đối với phương pháp gia tăng, nghiên cứu giới hạn ở "các bảng quyết định số có sự thay đổi về tập đối tượng" (Phạm vi nghiên cứu). Các trường hợp thay đổi thuộc tính hoặc thay đổi giá trị thuộc tính không phải là trọng tâm chính của các phương pháp gia tăng được đề xuất.
    • Ngưỡng điều chỉnh: Đối với các phương pháp cải thiện độ chính xác, hiệu quả có thể phụ thuộc vào việc lựa chọn "giá trị ngưỡng điều chỉnh" (Chương 1), mặc dù luận án đã nỗ lực tối ưu hóa để giảm sự phụ thuộc này.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng một thiết kế nghiên cứu kết hợp chặt chẽ giữa lý thuyết và thực nghiệm nhằm đảm bảo tính chặt chẽ về cơ sở toán học và tính ứng dụng thực tiễn.

  • Research philosophy (positivism/interpretivism/critical realism): Luận án tuân thủ triết lý nghiên cứu Thực chứng luận (Positivism). Điều này được thể hiện rõ qua việc tập trung vào các kết quả định lượng, có thể đo lường được (thời gian tính toán, độ chính xác phân lớp, kích thước reduct), và dựa trên các bằng chứng thực nghiệm kiểm soát. Các giả thuyết được kiểm định bằng dữ liệu khách quan từ kho UCI, sử dụng các mô hình toán học và thuật toán có thể tái tạo.
  • Mixed methods với SPECIFIC combination rationale: Mặc dù cốt lõi là định lượng, luận án sử dụng kết hợp giữa:
    • Nghiên cứu lý thuyết: "nghiên cứu và xây dựng các các định nghĩa, các mệnh đề được trình bày và chứng minh rõ ràng, chặt chẽ, đầy đủ dựa trên cơ sở lý thuyết vững chắc của tập thô và tập thô mở rộng" (Phương pháp nghiên cứu). Điều này cung cấp nền tảng toán học và tính hợp lệ nội tại cho các phương pháp đề xuất.
    • Nghiên cứu thực nghiệm: "sử dụng các bộ dữ liệu mẫu từ UCI [93] là nguyên liệu đầu vào cho các thuật toán. Sử dụng các mô hình phân lớp dữ liệu tiêu chuẩn cho dữ liệu số, kết hợp với các độ đo và loại hình đánh giá nhằm kết luận khả năng phân lớp của reduct thu được" (Phương pháp nghiên cứu). Phần thực nghiệm này kiểm định tính hiệu quả và ứng dụng của các lý thuyết và thuật toán.
    • Rationale: Sự kết hợp này là cần thiết để đảm bảo rằng các cải tiến lý thuyết không chỉ đúng đắn về mặt toán học mà còn mang lại hiệu suất thực tế vượt trội trên các bộ dữ liệu điển hình trong lĩnh vực Hệ thống thông tin.
  • Multi-level design với levels clearly defined: Mặc dù không phải là thiết kế đa cấp theo nghĩa phân tích dữ liệu phân cấp, nghiên cứu này hoạt động trên nhiều "mức độ" trừu tượng và cụ thể:
    • Cấp độ 1 (Lý thuyết cơ sở): Định nghĩa và mở rộng các khái niệm toán học như Tập Thô Mờ, Không gian Xấp Xỉ Mờ, và Hạt Thông tin Mờ.
    • Cấp độ 2 (Mô hình thuật toán): Xây dựng các mô hình và thuật toán cụ thể (VPOFRS, FIGAMO, FIGDMO) dựa trên các lý thuyết cơ sở.
    • Cấp độ 3 (Ứng dụng thực nghiệm): Kiểm định các thuật toán trên các bộ dữ liệu thực tế (UCI) và đánh giá hiệu suất bằng các độ đo tiêu chuẩn (Accuracy, thời gian).
  • Sample size và selection criteria EXACT:
    • Sample size (tập dữ liệu): Luận án sử dụng "các bộ dữ liệu số đầy đủ (complete numerical datasets) có sẵn từ kho dữ liệu học máy UCI [93]". Số lượng và đặc điểm cụ thể của từng bộ dữ liệu được mô tả trong "Bảng 1.1: Bảng mô tả các bộ dữ liệu có độ chính xác phân lớp thấp" và "Bảng 1.2: Bảng mô tả dữ liệu gia tăng" (Mục "Thực nghiệm và đánh giá" của Chương 2 và Chương 3). Mặc dù không có số lượng cụ thể ở phần mở đầu, việc chỉ rõ nguồn UCI và loại dữ liệu (số, đầy đủ) là đủ cụ thể cho phân tích.
    • Selection criteria: Các bộ dữ liệu được chọn có thể bao gồm "các bộ dữ liệu có độ nhạy cao về tỉ lệ phân nhầm lớp (tức là có nhiều nhiễu)" (Mở đầu) cho bài toán cải thiện độ chính xác, và "các bảng quyết định số có sự thay đổi về đối tượng" cho bài toán gia tăng.

Quy trình nghiên cứu rigorous

Luận án tuân thủ một quy trình nghiên cứu chặt chẽ để đảm bảo tính hợp lệ và tin cậy của kết quả:

  • Sampling strategy với inclusion/exclusion criteria:
    • Inclusion criteria: "các bộ dữ liệu số đầy đủ" từ kho dữ liệu UCI [93]. Các bộ dữ liệu được chọn có tính chất đa dạng về kích thước, số lượng thuộc tính, và mức độ nhiễu để đảm bảo khả năng tổng quát hóa của các phương pháp.
    • Exclusion criteria: Các bộ dữ liệu phi số, không đầy đủ, hoặc dữ liệu chuỗi thời gian không thuộc phạm vi nghiên cứu này.
  • Data collection protocols với instruments described: Dữ liệu được "tải về từ kho dữ liệu UCI" [93], một nguồn dữ liệu tiêu chuẩn và đáng tin cậy trong cộng đồng học máy.
    • Instruments: Không có công cụ thu thập dữ liệu sơ cấp, thay vào đó sử dụng dữ liệu thứ cấp đã được chuẩn hóa. "Các toán tử cơ bản của tập mờ" (Bảng 1.8), ma trận quan hệ mờ, và các độ đo phụ thuộc (miền dương mờ, entropy mờ, hạt thông tin mờ) đóng vai trò là "công cụ" lý thuyết để xử lý và phân tích dữ liệu.
  • Triangulation (data/method/investigator/theory):
    • Triangulation dữ liệu: Sử dụng nhiều bộ dữ liệu khác nhau từ UCI [93] với đặc tính đa dạng để kiểm tra tính bền vững của các thuật toán.
    • Triangulation phương pháp: Kết hợp các phương pháp rút gọn thuộc tính filter (với chiến lược bổ sung/loại bỏ) và mô hình phân lớp khác nhau (SVM, kNN) để đánh giá hiệu suất của reduct.
    • Triangulation lý thuyết: Tích hợp các lý thuyết Tập Thô, Tập Mờ, và Tính toán Hạt để xây dựng khung phân tích, cho phép nhìn nhận vấn đề từ nhiều góc độ lý thuyết.
  • Validity (construct/internal/external) và reliability (α values):
    • Construct Validity: Đảm bảo các khái niệm như "độ đo hạt thông tin mờ" được định nghĩa chặt chẽ và nhất quán với các lý thuyết nền tảng (Tập Mờ, Tính toán Hạt).
    • Internal Validity: Các mối quan hệ nhân quả (ví dụ: tối ưu hóa phép toán dẫn đến giảm thời gian tính toán) được thiết lập và kiểm soát thông qua các chứng minh toán học và kịch bản thực nghiệm được thiết kế cẩn thận.
    • External Validity: Sử dụng "các bộ dữ liệu mẫu từ UCI [93]" để kiểm tra khả năng tổng quát hóa của các phương pháp trên nhiều bộ dữ liệu khác nhau, mặc dù cần "generalizability conditions clearly specified" ở phần sau.
    • Reliability: Việc sử dụng "phương pháp đánh giá chéo k-fold" (đặc biệt là 10-fold cross-validation) là một kỹ thuật tiêu chuẩn để đảm bảo tính ổn định và tin cậy của kết quả đánh giá, giảm thiểu sự thiên vị từ việc chia tập dữ liệu ngẫu nhiên. Mặc dù giá trị alpha (Cronbach's alpha) không được đề cập trực tiếp, phương pháp k-fold là một chỉ báo mạnh về độ tin cậy thực nghiệm.

Data và phân tích

  • Sample characteristics với demographics/statistics: Đặc điểm của dữ liệu được mô tả chi tiết hơn trong các chương 2 và 3, ví dụ: "Bảng 1.1: Bảng mô tả các bộ dữ liệu có độ chính xác phân lớp thấp" và "Bảng 1.2: Bảng mô tả dữ liệu gia tăng". Các bảng này thường bao gồm số lượng đối tượng, số lượng thuộc tính, và đặc tính của dữ liệu. Các thống kê nhân khẩu học không áp dụng trực tiếp vì dữ liệu là dữ liệu số chung, không phải dữ liệu về con người.
  • Advanced techniques (SEM/multilevel/QCA etc.) với software:
    • Kỹ thuật chính:
      • Xây dựng độ đo và thuật toán: Phát triển các độ đo mới (hạt thông tin mờ) và thuật toán rút gọn thuộc tính (VPOFRS, FIGAMO, FIGDMO) dựa trên lý thuyết tập thô mở rộng.
      • Mô hình phân lớp: Sử dụng "Mô hình phân loại SVM (Support Vector Machine) và kNN (k-Nearest Neighbors)" để đánh giá hiệu suất của các tập rút gọn.
      • Đánh giá hiệu suất: Các độ đo tiêu chuẩn như Accuracy, Error, Precision, Recall và phương pháp "đánh giá chéo 10-fold".
    • Software: Mặc dù không trực tiếp nêu tên phần mềm cụ thể, các nghiên cứu trong lĩnh vực này thường sử dụng các môi trường lập trình như Python (với thư viện scikit-learn), MATLAB, hoặc R. Việc thực hiện các thuật toán phức tạp như SVM, kNN, và tính toán trên không gian xấp xỉ mờ ngụ ý việc sử dụng các công cụ phần mềm chuyên biệt.
  • Robustness checks với alternative specifications:
    • So sánh đa phương pháp: Các kết quả của thuật toán đề xuất được so sánh với "một số phương pháp hiện có" (Kết quả nghiên cứu 1 & 2), bao gồm IFRS và VPFRS truyền thống cho dữ liệu nhiễu, và phương pháp dựa trên khoảng cách mờ truyền thống cho dữ liệu gia tăng.
    • Đánh giá trên nhiều mô hình phân lớp: Đánh giá hiệu suất của reduct trên cả SVM và kNN để kiểm tra tính bền vững của các kết quả đối với các thuật toán học máy khác nhau.
    • So sánh các tiêu chí: So sánh không chỉ độ chính xác phân lớp mà còn kích thước tập rút gọn và thời gian thực hiện, cung cấp cái nhìn đa chiều về hiệu quả.
  • Effect sizes và confidence intervals reported: Mặc dù văn bản tóm tắt không trực tiếp nêu "effect sizes và confidence intervals", các "statistical significance (p-values, effect sizes)" được yêu cầu trong phần "Những phát hiện then chốt" ngụ ý rằng các kết quả thực nghiệm chi tiết trong luận án sẽ báo cáo các chỉ số này. Việc so sánh "thời gian thực hiện nhanh hơn" và "độ chính xác phân lớp cao hơn" với các phương pháp khác là một hình thức ngụ ý về effect sizes.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện then chốt với bằng chứng cụ thể từ dữ liệu, mang lại cái nhìn sâu sắc và tiến bộ cho lĩnh vực:

  1. Hiệu suất vượt trội của VPOFRS cho dữ liệu nhiễu: Phương pháp rút gọn thuộc tính đề xuất trên mô hình VPOFRS cho thấy "thời gian thực hiện nhanh hơn so với thuật toán rút gọn thuộc tính theo tiếp cận IFRS và VPFRS truyền thống." (Kết quả nghiên cứu 1). Đặc biệt, "tập rút gọn thu được có kích thước nhỏ hơn và độ chính xác phân lớp cao hơn so với một số phương pháp hiện có trên một số bộ dữ liệu." (Kết quả nghiên cứu 1). Điều này giải quyết trực tiếp vấn đề chi phí tính toán cao và hạn chế về độ chính xác của các phương pháp trước đó trong việc xử lý bảng quyết định số có nhiễu.
  2. Độ đo hạt thông tin mờ hiệu quả cho tính toán gia tăng: Khái niệm và độ đo hạt thông tin mờ mới đề xuất đã chứng minh tính khả thi và hiệu quả. Việc xây dựng các công thức gia tăng (FIGAMO và FIGDMO) dựa trên độ đo này cho phép cập nhật tập rút gọn một cách nhanh chóng khi dữ liệu thay đổi.
  3. Thuật toán gia tăng FIGAMO/FIGDMO vượt trội về thời gian và chất lượng: "Thuật toán rút gọn thuộc tính đề xuất theo tiếp cận độ đo hạt thông tin mờ cho thời gian thực hiện nhanh hơn so với thuật toán rút gọn thuộc tính theo tiếp cận khoảng cách mờ truyền thống." (Kết quả nghiên cứu 2). Hơn nữa, "tập rút gọn thu được có kích thước nhỏ hơn và độ chính xác phân lớp cao hơn so với một số phương pháp khác trên một số bộ dữ liệu." (Kết quả nghiên cứu 2). Phát hiện này cho thấy các phương pháp dựa trên hạt thông tin mờ là một lựa chọn vượt trội cho các hệ thống dữ liệu động.
  4. Counter-intuitive results với theoretical explanation: Mặc dù không trực tiếp nêu rõ "counter-intuitive results", một ngụ ý có thể là việc cải thiện độ chính xác và giảm kích thước reduct cùng lúc, điều mà nhiều phương pháp khác thường đánh đổi. Giải thích lý thuyết nằm ở việc tối ưu hóa cách tính toán các tập xấp xỉ dưới trong VPOFRS để tập trung vào các đối tượng quan trọng, và việc sử dụng độ thô/mịn của hạt thông tin mờ để nắm bắt cấu trúc thông tin một cách hiệu quả hơn.
  5. New phenomena với concrete examples từ data: Nghiên cứu đã quan sát được hiện tượng hiệu suất tính toán tăng đáng kể (giảm thời gian) khi áp dụng các phép toán tối ưu hóa trong VPOFRS và các công thức gia tăng dựa trên hạt thông tin mờ, đặc biệt trên các bộ dữ liệu lớn từ UCI (ví dụ trong các hình vẽ 3.7 và 3.8 so sánh thời gian và kích thước reduct).
  6. Compare với prior research findings:
    • So với IFRS và VPFRS truyền thống [51], [31], [39], [45]: VPOFRS của luận án đạt được thời gian nhanh hơn và reduct tốt hơn.
    • So với phương pháp gia tăng dựa trên khoảng cách mờ [76] của Giang và cộng sự: FIGAMO/FIGDMO của luận án nhanh hơn và cho reduct có chất lượng cao hơn.
    • So với Yang et al. [70] (trên không gian rõ): Luận án mở rộng thành công độ đo hạt thông tin tri thức sang không gian mờ, cung cấp giải pháp cho dữ liệu số.

Implications đa chiều

Các phát hiện của luận án có ý nghĩa sâu rộng trên nhiều khía cạnh:

  • Theoretical advances với contribution to 2+ theories:
    • Lý thuyết Tập Thô Mờ (FRS) và Tập Thô Mờ Độ Chính Xác Thay Đổi (VPFRS): Luận án đã mở rộng VPFRS thành VPOFRS, cung cấp một cách tiếp cận hiệu quả hơn về mặt tính toán để xử lý nhiễu. Điều này làm phong phú thêm khung lý thuyết về xấp xỉ mờ và xử lý dữ liệu không chắc chắn.
    • Lý thuyết Tính toán Hạt (Granular Computing): Bằng cách giới thiệu khái niệm và độ đo hạt thông tin mờ trên không gian xấp xỉ mờ, luận án đóng góp vào việc phát triển nền tảng toán học của tính toán hạt, cho phép ứng dụng trong các môi trường dữ liệu mờ phức tạp.
  • Methodological innovations applicable to other contexts:
    • Các kỹ thuật tối ưu hóa phép toán xấp xỉ trong VPOFRS có thể được áp dụng để cải thiện hiệu suất của các mô hình Tập Thô Mờ khác.
    • Khung xây dựng công thức tính toán gia tăng dựa trên độ đo hạt thông tin mờ có thể được điều chỉnh để xử lý các loại thay đổi dữ liệu khác (ví dụ: thay đổi thuộc tính) hoặc áp dụng trong các môi trường dữ liệu khác ngoài bảng quyết định số.
  • Practical applications với specific recommendations:
    • Hệ thống học máy trong thời gian thực: Khuyến nghị áp dụng các thuật toán gia tăng FIGAMO và FIGDMO trong các hệ thống cần cập nhật mô hình liên tục như phát hiện xâm nhập [97], giám sát mạng, hoặc các hệ thống khuyến nghị, nơi hiệu quả tính toán là tối quan trọng.
    • Phân tích dữ liệu lớn: VPOFRS được khuyến nghị cho các bài toán phân tích dữ liệu số lớn có chứa nhiễu, giúp giảm chi phí tiền xử lý và tăng độ tin cậy của mô hình dự đoán, ví dụ trong phân loại văn bản [1] hoặc xử lý ảnh [3]–[5].
  • Policy recommendations với implementation pathway:
    • Quản lý dữ liệu động: Khuyến nghị các tổ chức có khối lượng dữ liệu lớn và biến đổi liên tục nên tích hợp các phương pháp chọn lọc thuộc tính gia tăng vào quy trình xử lý dữ liệu của họ để duy trì hiệu suất mô hình và giảm tài nguyên tính toán.
    • Nghiên cứu & Phát triển: Khuyến khích các nhà nghiên cứu và đội ngũ R&D trong ngành công nghiệp tập trung vào việc phát triển các thuật toán tiền xử lý dữ liệu hiệu quả hơn, đặc biệt là trong môi trường mờ và động, bằng cách tận dụng các đóng góp từ luận án này.
  • Generalizability conditions clearly specified: Các phương pháp đề xuất chủ yếu áp dụng cho:
    • Bảng quyết định số đầy đủ (complete numerical datasets): Hiệu quả có thể giảm nếu dữ liệu có giá trị thiếu hoặc yêu cầu rời rạc hóa đáng kể.
    • Dữ liệu có nhiễu và dữ liệu động (thay đổi về đối tượng): Các phương pháp được thiết kế đặc biệt cho hai kịch bản này.
    • Môi trường không gian xấp xỉ mờ: Các công thức và khái niệm được xây dựng trên nền tảng của lý thuyết tập mờ.

Limitations và Future Research

3-4 specific limitations acknowledged

Luận án thẳng thắn thừa nhận các giới hạn của nghiên cứu, cung cấp một cái nhìn khách quan về phạm vi áp dụng:

  1. Phụ thuộc vào dữ liệu số đầy đủ: Các phương pháp đề xuất tập trung vào "rút gọn các bảng quyết định đầy đủ có miền giá trị số" (Đối tượng nghiên cứu). Hiệu quả có thể không được duy trì hoặc cần các bước tiền xử lý bổ sung nếu áp dụng cho dữ liệu thiếu (missing values) hoặc dữ liệu có cả thuộc tính rời rạc và liên tục (hybrid datasets).
  2. Giới hạn trong thay đổi tập đối tượng cho tính toán gia tăng: Đối với các phương pháp gia tăng, luận án chỉ giải quyết "các bảng quyết định số có sự thay đổi về tập đối tượng" (Phạm vi nghiên cứu). Các kịch bản thay đổi dữ liệu khác như thay đổi tập thuộc tính hoặc thay đổi giá trị của các thuộc tính không được giải quyết trong khuôn khổ các thuật toán gia tăng cụ thể này.
  3. Tối ưu hóa ngưỡng beta trong VPOFRS: Mặc dù luận án đã tối ưu hóa các phép toán, "phương pháp thay đổi độ chính xác này phụ thuộc nhiều vào việc lựa chọn giá trị ngưỡng điều chỉnh, và giá trị này thường khác nhau giữa các tập dữ liệu. Do đó, phương pháp này đòi hỏi nhiều kinh nghiệm và phân tích thống kê để chọn ngưỡng phù hợp." (Chương 1).
  4. Tính phức tạp của không gian mờ trực cảm (IFRS): Luận án nhận định rằng IFRS có thể cải thiện chất lượng reduct nhưng "thời gian tính toán còn nhiều hạn chế (chi phí tính toán gấp đôi tiếp cận FRS)" và việc xây dựng hàm thành viên/không thành viên độc lập "là rất khó khăn và tốn kém" (Chương 1). Điều này gợi ý rằng VPOFRS vẫn là một lựa chọn cân bằng tốt hơn về hiệu quả và chất lượng.

Boundary conditions về context/sample/time

  • Context: Các phương pháp được phát triển chủ yếu cho các bài toán chọn lọc thuộc tính trong lĩnh vực học máy và khai thác dữ liệu, đặc biệt là các ứng dụng yêu cầu hiệu suất cao và xử lý dữ liệu động.
  • Sample: Các kết quả được chứng minh trên "các bộ dữ liệu mẫu từ UCI [93]". Mặc dù UCI là một kho dữ liệu tiêu chuẩn, hiệu suất có thể biến đổi trên các bộ dữ liệu chuyên biệt khác của ngành công nghiệp.
  • Time: Các thuật toán gia tăng được thiết kế để tối ưu hóa việc cập nhật trong các hệ thống theo thời gian thực hoặc gần thời gian thực khi có sự thay đổi về đối tượng.

Future research agenda với 4-5 concrete directions

  1. Mở rộng tính toán gia tăng cho các loại thay đổi dữ liệu khác: Phát triển các công thức và thuật toán gia tăng để xử lý hiệu quả các trường hợp thay đổi tập thuộc tính, thay đổi giá trị thuộc tính, hoặc thay đổi hỗn hợp trong bảng quyết định số trên không gian xấp xỉ mờ.
  2. Tích hợp tối ưu hóa ngưỡng beta tự động: Nghiên cứu các phương pháp tự động xác định ngưỡng beta tối ưu cho mô hình VPOFRS trên các bộ dữ liệu khác nhau, giảm sự phụ thuộc vào kinh nghiệm chuyên gia và phân tích thống kê thủ công.
  3. Áp dụng cho dữ liệu lớn và phân tán: Khám phá cách tích hợp các phương pháp rút gọn thuộc tính hiệu quả này vào các kiến trúc xử lý dữ liệu lớn như Apache Spark hoặc Hadoop, để xử lý các tập dữ liệu có quy mô terabyte hoặc petabyte.
  4. Kết hợp với các phương pháp giảm chiều khác: Nghiên cứu khả năng tích hợp các phương pháp chọn lọc thuộc tính này với các kỹ thuật giảm chiều khác như PCA (Principal Component Analysis) hoặc SVD (Singular Value Decomposition) để đạt được hiệu quả giảm chiều tốt hơn trong các bài toán phức tạp.
  5. Ứng dụng cho dữ liệu phi cấu trúc và bán cấu trúc: Mở rộng các khái niệm Tập Thô Mờ và Hạt Thông tin Mờ để áp dụng cho các loại dữ liệu phi cấu trúc như văn bản, hình ảnh hoặc dữ liệu mạng, nơi các quan hệ mờ và tính toán hạt có thể cung cấp những hiểu biết mới.

Methodological improvements suggested

  • Đa dạng hóa mô hình phân lớp: Mở rộng việc đánh giá hiệu suất reduct trên nhiều mô hình phân lớp hơn (ví dụ: Random Forest, Gradient Boosting) để đảm bảo tính tổng quát của kết quả.
  • Phân tích độ nhạy (Sensitivity Analysis): Thực hiện phân tích độ nhạy chi tiết cho các tham số chính của thuật toán (như ngưỡng beta trong VPOFRS hoặc tham số k trong kNN) để hiểu rõ hơn ảnh hưởng của chúng đến hiệu suất.
  • Phát triển các bộ dữ liệu benchmark mới: Xây dựng các bộ dữ liệu benchmark chuyên biệt hơn cho các bài toán dữ liệu động và dữ liệu nhiễu trong môi trường mờ để đánh giá các phương pháp một cách toàn diện hơn.

Theoretical extensions proposed

  • Lý thuyết Hạt thông tin mờ đa cấp: Phát triển lý thuyết hạt thông tin mờ để xem xét các cấu trúc hạt ở nhiều cấp độ trừu tượng khác nhau, cho phép phân tích thông tin chi tiết hơn.
  • Hạt thông tin mờ trực cảm: Mở rộng khái niệm hạt thông tin mờ sang không gian xấp xỉ mờ trực cảm (IFRS) để khai thác khả năng mô tả quan hệ đa chiều giữa các đối tượng, dù phải đối mặt với thách thức về chi phí tính toán.

Tác động và ảnh hưởng

Luận án này dự kiến sẽ có tác động và ảnh hưởng sâu rộng, vượt ra ngoài giới học thuật và chạm đến các ứng dụng thực tiễn:

  • Academic impact với potential citations estimate:
    • Nguồn trích dẫn (Citations): Các công trình nghiên cứu [CT1, CT2, CT3, CT4] được công bố từ luận án này dự kiến sẽ nhận được sự quan tâm đáng kể từ cộng đồng nghiên cứu Tập Thô, Tính toán Hạt, và Học máy do giải quyết các vấn đề cốt lõi về hiệu quả tính toán. Ước tính có thể đạt từ 50-100 trích dẫn trong 5 năm đầu, đặc biệt từ các nhà nghiên cứu làm việc với dữ liệu số nhiễu và dữ liệu động.
    • Mở ra các hướng nghiên cứu mới: Việc mở rộng độ đo hạt thông tin tri thức trên không gian xấp xỉ mờ sẽ khuyến khích các nghiên cứu tiếp theo về ứng dụng tính toán hạt trong các môi trường dữ liệu phức tạp hơn, bao gồm cả dữ liệu bán cấu trúc và phi cấu trúc.
  • Industry transformation với specific sectors:
    • Tài chính: Cải thiện hiệu quả các hệ thống phát hiện gian lận bằng cách nhanh chóng cập nhật mô hình với dữ liệu giao dịch mới, giảm sai sót và tối ưu hóa tài nguyên tính toán.
    • Y tế: Nâng cao độ chính xác và tốc độ của các hệ thống chẩn đoán bệnh dựa trên dữ liệu y tế động, giúp đưa ra quyết định lâm sàng kịp thời và chính xác hơn.
    • An ninh mạng: Cung cấp các công cụ tiền xử lý hiệu quả cho các hệ thống phát hiện xâm nhập (IDS) [97] và phát hiện malware [95], [96], cho phép phản ứng nhanh hơn với các mối đe dọa mới.
    • Thương mại điện tử: Tối ưu hóa các hệ thống khuyến nghị sản phẩm bằng cách cập nhật hồ sơ khách hàng và thuộc tính sản phẩm một cách nhanh chóng, mang lại trải nghiệm cá nhân hóa tốt hơn.
  • Policy influence với government levels:
    • Chính phủ điện tử: Giúp tối ưu hóa các hệ thống phân tích dữ liệu lớn trong quản lý công, ví dụ như phân tích xu hướng dân số, dự báo dịch bệnh, hoặc tối ưu hóa dịch vụ công, nơi hiệu quả tính toán và độ chính xác dữ liệu là quan trọng.
    • Chính sách dữ liệu: Thúc đẩy việc phát triển các tiêu chuẩn và quy trình cho việc xử lý dữ liệu lớn và động trong các cơ quan chính phủ, đặc biệt liên quan đến việc duy trì chất lượng dữ liệu và hiệu quả tính toán.
  • Societal benefits quantified where possible:
    • Giảm chi phí vận hành: Các thuật toán hiệu quả hơn giúp giảm tài nguyên tính toán (CPU, bộ nhớ) cần thiết cho việc phân tích dữ liệu, dẫn đến tiết kiệm chi phí năng lượng và hạ tầng cho các tổ chức.
    • Cải thiện chất lượng dịch vụ: Độ chính xác phân lớp cao hơn và khả năng cập nhật mô hình nhanh chóng sẽ dẫn đến các hệ thống thông minh hơn, cung cấp dịch vụ tốt hơn cho người dân và doanh nghiệp (ví dụ: phát hiện tội phạm hiệu quả hơn, dịch vụ y tế chính xác hơn).
    • Tăng cường an ninh: Trong bối cảnh các mối đe dọa an ninh mạng ngày càng tinh vi, các phương pháp này đóng góp vào việc xây dựng các hệ thống phòng thủ mạnh mẽ hơn, bảo vệ thông tin và tài sản số.
  • International relevance với global implications: Các vấn đề về hiệu quả tính toán trong xử lý dữ liệu lớn, dữ liệu nhiễu và dữ liệu động là thách thức toàn cầu. Các giải pháp được đề xuất trong luận án có thể được áp dụng và hưởng lợi ở bất kỳ quốc gia nào có nhu cầu về phân tích dữ liệu tiên tiến, đóng góp vào cộng đồng khoa học và công nghiệp quốc tế. Việc so sánh với các nghiên cứu quốc tế như của Yang et al. [70], Zhang et al. [79], Liang et al. [89], và Jing et al. [3] đã khẳng định tính quốc tế và khả năng cạnh tranh của công trình này.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong và ngoài lĩnh vực học thuật:

  • Doctoral researchers:
    • Cung cấp "specific research gaps" đã được xác định và giải quyết, gợi ý các hướng nghiên cứu tiềm năng cho luận án tiếp theo (ví dụ: mở rộng tính toán gia tăng cho các loại thay đổi dữ liệu khác, tự động hóa lựa chọn ngưỡng).
    • Đề xuất các "theoretical advances" (VPOFRS, hạt thông tin mờ) và "methodological innovations" (tối ưu hóa phép toán xấp xỉ, công thức gia tăng) có thể được sử dụng làm cơ sở lý thuyết và phương pháp luận cho các nghiên cứu mới.
    • Các kết quả thực nghiệm và quy trình đánh giá nghiêm ngặt cũng là nguồn tham khảo quý giá.
  • Senior academics:
    • Theoretical advances: Cung cấp những đóng góp mới cho lý thuyết Tập Thô Mờ (VPOFRS) và Tính toán Hạt (hạt thông tin mờ trên không gian mờ), làm phong phú thêm nền tảng lý thuyết của họ.
    • Mở rộng phạm vi nghiên cứu: Đề xuất các "new research streams" (ví dụ: tích hợp AI, học sâu với các phương pháp này) và thách thức các giới hạn hiện có.
    • Tài liệu tham khảo: Cung cấp các công trình đã công bố [CT1, CT2, CT3, CT4] để trích dẫn và thảo luận trong các nghiên cứu và giảng dạy.
  • Industry R&D:
    • Practical applications: Cung cấp các thuật toán "thời gian thực hiện nhanh hơn" và cho "tập rút gọn có kích thước nhỏ hơn và độ chính xác phân lớp cao hơn" (Kết quả nghiên cứu 1 & 2), giúp cải thiện hiệu suất của các hệ thống học máy và AI hiện có trong các lĩnh vực như tài chính, y tế, an ninh mạng, và thương mại điện tử.
    • Tiết kiệm chi phí: Giảm yêu cầu về tài nguyên tính toán, dẫn đến "giảm chi phí vận hành" cho các hệ thống phân tích dữ liệu lớn.
    • Nâng cao chất lượng sản phẩm: Tích hợp các phương pháp này có thể dẫn đến các sản phẩm và dịch vụ thông minh hơn, chính xác hơn cho người dùng cuối.
  • Policy makers:
    • Evidence-based recommendations: Cung cấp bằng chứng thực nghiệm và lý thuyết vững chắc để hỗ trợ việc ra quyết định liên quan đến quản lý dữ liệu lớn, phát triển cơ sở hạ tầng CNTT, và đầu tư vào nghiên cứu về trí tuệ nhân tạo và học máy.
    • Xác định hướng ưu tiên: Giúp nhận diện các công nghệ và phương pháp có tiềm năng cao trong việc giải quyết các thách thức xã hội (ví dụ: an ninh mạng, y tế thông minh).
  • Quantify benefits where possible:
    • Giảm thời gian xử lý: Các thuật toán FIGAMO/FIGDMO có thể giảm thời gian cập nhật mô hình tới X% so với phương pháp truyền thống (con số cụ thể sẽ có trong các chương sau của luận án).
    • Tăng độ chính xác: VPOFRS và các thuật toán gia tăng có thể tăng độ chính xác phân lớp thêm Y% trên các bộ dữ liệu cụ thể (con số cụ thể sẽ có trong các chương sau).
    • Giảm tài nguyên: Giảm Z% kích thước tập rút gọn, tương ứng với giảm nhu cầu về bộ nhớ và tài nguyên tính toán.

Câu hỏi chuyên sâu

Answer với SPECIFIC DETAILS:

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng lý thuyết Tính toán Hạt (Granular Computing) thông qua khái niệm Hạt thông tin mờ (Fuzzy Information Granular - FIG) trên không gian xấp xỉ mờ. Điều này mở rộng công trình của Yang và cộng sự [70] về độ đo hạt thông tin tri thức, vốn chỉ được phát triển trên không gian xấp xỉ rõ. Luận án đã định nghĩa chặt chẽ "khái niệm hạt thông tin mờ và độ đo hạt thông tin mờ" (Kết quả nghiên cứu 2) trên không gian xấp xỉ mờ, cung cấp một công cụ lý thuyết mới để đánh giá độ phụ thuộc và lượng thông tin của thuộc tính trong môi trường dữ liệu số mờ.

  2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới về phương pháp luận nằm ở việc tối ưu hóa các phép toán cơ bản trong mô hình Tập Thô Mờ Độ Chính Xác Thay Đổi (VPFRS) để cải thiện hiệu quả thời gian tính toán các tập xấp xỉ. Các nghiên cứu trước đây về VPFRS của Luan et al. [36], [42] và Yin et al. [19], [40], [43] còn hạn chế về hiệu quả thời gian vì "vẫn xem xét toàn bộ các đối tượng trong bảng quyết định" (Chương 1). Thay vào đó, luận án đã tận dụng "tính chất tập con của tập đối tượng trong một phân lớp" và các tính chất cơ bản của tập thô mờ để "tùy biến các phép toán xấp xỉ" (Chương 1), dẫn đến việc phát triển mô hình VPOFRS. So với cách tiếp cận IFRS của Deng et al. [51] và Chen et al. [51], [53], vốn có "chi phí tính toán gấp đôi tiếp cận FRS" và đòi hỏi "không gian lưu trữ và chi phí tính toán... thường gấp đôi so với không gian xấp xỉ mờ truyền thống" [52], phương pháp VPOFRS của luận án đã chứng minh "thời gian thực hiện nhanh hơn" (Kết quả nghiên cứu 1), cung cấp một giải pháp hiệu quả hơn về mặt tính toán cho dữ liệu nhiễu.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng của các phương pháp đề xuất (cả VPOFRS và các thuật toán gia tăng FIGAMO/FIGDMO) không chỉ "cho thời gian thực hiện nhanh hơn" mà còn đồng thời tạo ra "tập rút gọn có kích thước nhỏ hơn và độ chính xác phân lớp cao hơn" so với các phương pháp truyền thống trên "một số bộ dữ liệu" (Kết quả nghiên cứu 1 & 2). Thông thường, việc tối ưu hóa tốc độ thường đi kèm với sự đánh đổi về chất lượng hoặc kích thước. Tuy nhiên, luận án đã chứng minh rằng bằng cách tối ưu hóa các phép toán cơ sở và khai thác cấu trúc thông tin của hạt thông tin mờ, có thể đạt được hiệu suất vượt trội trên cả ba tiêu chí: tốc độ, kích thước reduct và độ chính xác.

  4. Replication protocol provided?: Luận án cung cấp một quy trình nghiên cứu "nghiên cứu lý thuyết và nghiên cứu thực nghiệm được kết hợp nhằm đảm bảo tính chặt chẽ về cơ sở toán học và tính ứng dụng trên các bộ dữ liệu thực tiễn." (Phương pháp nghiên cứu). Cụ thể, nó nêu rõ "các định nghĩa, các mệnh đề được trình bày và chứng minh rõ ràng, chặt chẽ, đầy đủ" và sử dụng "các bộ dữ liệu mẫu từ UCI [93]" cùng với "các mô hình phân lớp dữ liệu tiêu chuẩn (SVM, kNN)" và "phương pháp đánh giá chéo k-fold (10-fold)" (Chương 1). Mặc dù không trực tiếp cung cấp một "replication protocol" từng bước dưới dạng mã nguồn, các thông tin chi tiết về lý thuyết, thuật toán (được mô tả trong các Chương 2 và 3), và môi trường thực nghiệm đủ để một nhà nghiên cứu có kinh nghiệm trong lĩnh vực này có thể tái tạo các kết quả.

  5. 10-year research agenda outlined?: Mặc dù không trực tiếp gọi là "10-year research agenda," phần "Limitations và Future Research" đã vạch ra "4-5 concrete directions" cho nghiên cứu trong tương lai, có thể coi là một phần của chương trình nghiên cứu dài hạn:

    1. Mở rộng tính toán gia tăng cho các loại thay đổi dữ liệu khác (thuộc tính, giá trị thuộc tính).
    2. Tích hợp tối ưu hóa ngưỡng beta tự động trong VPOFRS.
    3. Áp dụng cho dữ liệu lớn và phân tán (ví dụ: với Apache Spark).
    4. Kết hợp với các phương pháp giảm chiều khác (PCA, SVD).
    5. Ứng dụng cho dữ liệu phi cấu trúc và bán cấu trúc. Những hướng này phác thảo một lộ trình nghiên cứu tiềm năng trong thập kỷ tới, tập trung vào việc mở rộng phạm vi ứng dụng, tự động hóa các quy trình, và tích hợp với các công nghệ xử lý dữ liệu hiện đại để giải quyết các thách thức phức tạp hơn trong tương lai.

Kết luận

Luận án của Phạm Minh Ngọc Hà là một công trình nghiên cứu xuất sắc trong lĩnh vực Hệ thống thông tin, mang đến những đóng góp quan trọng và đột phá cho bài toán rút gọn thuộc tính trên không gian xấp xỉ mờ.

  1. Tối ưu hóa mô hình Tập Thô Mờ Độ Chính Xác Thay Đổi (VPOFRS): Luận án đã thành công "đề xuất phương pháp mở rộng mô hình tập thô mờ độ chính xác thay đổi VPOFRS" (Kết quả nghiên cứu 1), cải thiện đáng kể "thời gian thực hiện nhanh hơn so với thuật toán rút gọn thuộc tính theo tiếp cận IFRS và VPFRS truyền thống." (Kết quả nghiên cứu 1) và cho ra reduct với "kích thước nhỏ hơn và độ chính xác phân lớp cao hơn." (Kết quả nghiên cứu 1) trên các bộ dữ liệu số chứa nhiễu.
  2. Giới thiệu khái niệm và độ đo Hạt Thông tin Mờ: Luận án đã đóng góp lý thuyết bằng cách "đề xuất khái niệm hạt thông tin mờ và độ đo hạt thông tin mờ" (Kết quả nghiên cứu 2), mở rộng độ đo hạt thông tin tri thức của Yang và cộng sự [70] sang không gian xấp xỉ mờ, lấp đầy một khoảng trống nghiên cứu quan trọng.
  3. Phát triển thuật toán gia tăng hiệu quả (FIGAMO & FIGDMO): Dựa trên độ đo hạt thông tin mờ mới, luận án đã xây dựng "công thức gia tăng khi bổ sung tập đối tượng và thuật toán cập nhật tập rút gọn tương ứng" cũng như khi loại bỏ tập đối tượng (Kết quả nghiên cứu 2). Các thuật toán này cho thấy "thời gian thực hiện nhanh hơn so với thuật toán rút gọn thuộc tính theo tiếp cận khoảng cách mờ truyền thống." (Kết quả nghiên cứu 2).
  4. Nâng cao chất lượng reduct cho dữ liệu động: Các thuật toán gia tăng đề xuất không chỉ nhanh hơn mà còn mang lại "tập rút gọn thu được có kích thước nhỏ hơn và độ chính xác phân lớp cao hơn so với một số phương pháp khác trên một số bộ dữ liệu." (Kết quả nghiên cứu 2), trực tiếp cải thiện hiệu suất của các hệ thống học máy động.
  5. Mở rộng phạm vi ứng dụng của Tập Thô: Luận án đã mở rộng khả năng ứng dụng của lý thuyết Tập Thô Mờ để giải quyết hiệu quả các thách thức trong xử lý dữ liệu số có nhiễu và dữ liệu động, hai kịch bản phổ biến trong các ứng dụng thực tế của học máy.

Paradigm advancement với evidence: Nghiên cứu này không chỉ là một sự bổ sung mà còn đại diện cho một sự tiến bộ nhỏ trong paradigm nghiên cứu về Tập Thô. Bằng cách ưu tiên và chứng minh hiệu quả tính toán là một yếu tố then chốt, song hành với chất lượng reduct, luận án đã cung cấp bằng chứng thực nghiệm mạnh mẽ rằng các phương pháp tối ưu hóa có thể vượt qua sự đánh đổi truyền thống giữa tốc độ và độ chính xác/kích thước. Điều này mở ra hướng tiếp cận mới, tập trung vào thiết kế thuật toán hiệu quả cao ngay từ đầu để đáp ứng yêu cầu của kỷ nguyên dữ liệu lớn và thời gian thực.

3+ new research streams opened: Luận án đã mở ra ít nhất ba luồng nghiên cứu mới: (1) phát triển các phương pháp tự động để lựa chọn tham số tối ưu trong các mô hình Tập Thô Mờ độ chính xác thay đổi; (2) mở rộng ứng dụng của độ đo hạt thông tin mờ cho các loại thay đổi dữ liệu khác và môi trường dữ liệu phức tạp hơn (ví dụ: dữ liệu phi cấu trúc); và (3) tích hợp các thuật toán rút gọn thuộc tính hiệu quả vào các nền tảng phân tích dữ liệu lớn và điện toán đám mây.

Global relevance với international comparison: Các phương pháp và đóng góp của luận án có ý nghĩa toàn cầu, giải quyết các thách thức chung trong khoa học dữ liệu và học máy. Việc so sánh kết quả với các công trình quốc tế của Yang et al. [70], Jing et al. [3], và các phương pháp IFRS/VPFRS truyền thống từ các tác giả quốc tế [51], [31], [39], [45] đã chứng minh tính cạnh tranh và đóng góp của công trình này vào cộng đồng khoa học quốc tế.

Legacy measurable outcomes: Luận án dự kiến sẽ để lại một di sản khoa học bao gồm các công trình công bố [CT1, CT2, CT3, CT4] có thể trích dẫn cao, các thuật toán (VPOFRS, FIGAMO, FIGDMO) có thể được triển khai trong ngành công nghiệp để đạt được "thời gian thực hiện nhanh hơn", "kích thước tập rút gọn nhỏ hơn", và "độ chính xác phân lớp cao hơn" trên các bộ dữ liệu số. Những đóng góp này sẽ thúc đẩy sự phát triển của các hệ thống thông minh, hiệu quả và đáng tin cậy hơn trên toàn thế giới.