Luận án Tiến sĩ: Các mô hình tiên tiến cho rút gọn thuộc tính gia tăng dựa trên tập mờ trực cảm và tập thô lân cận trọng số

Trong bối cảnh dữ liệu lớn phát triển mạnh mẽ như hiện nay, việc đối mặt với khối lượng thông tin khổng lồ, nhiễu loạn và thừa thãi đã trở thành thách thức lớn đối với các hệ thống khai phá dữ liệu và học máy. Điều này thường dẫn đến giảm hiệu quả và độ chính xác của các mô hình. Bài toán rút gọn thuộc tính nổi lên như một giải pháp tiền xử lý dữ liệu then chốt, nhằm loại bỏ các thuộc tính không cần thiết mà vẫn bảo toàn thông tin quan trọng. Các phương pháp dựa trên lý thuyết tập thô truyền thống và các mở rộng như tập thô mờ hay tập thô lân cận đã đạt được những thành công nhất định. Tuy nhiên, vẫn còn những hạn chế đáng kể khi xử lý dữ liệu liên tục, nhiễu và trong môi trường dữ liệu gia tăng. Nghiên cứu này tập trung phát triển các mô hình tiên tiến cho rút gọn thuộc tính dựa trên tập mờ trực cảm và tập thô lân cận trọng số để giải quyết các thách thức này.

Các nhà nghiên cứu, học giả và sinh viên cao học trong lĩnh vực Khoa học máy tính, Hệ thống thông tin, Khoa học dữ liệu, Trí tuệ nhân tạo, và các chuyên gia quan tâm đến tiền xử lý dữ liệu, rút gọn thuộc tính, lý thuyết tập thô và logic mờ.

Luận án này giải quyết bài toán cốt lõi trong khai phá dữ liệu là rút gọn thuộc tính, vốn trở nên cấp thiết do sự bùng nổ của dữ liệu lớn với đặc tính nhiễu, thừa thãi và thay đổi liên tục. Các phương pháp rút gọn thuộc tính truyền thống, đặc biệt là các phương pháp dựa trên tập thô, thường gặp khó khăn khi xử lý dữ liệu liên tục, nhiễu hoặc trong các kịch bản dữ liệu gia tăng. Mặc dù các mô hình tập thô mờ và tập thô lân cận đã được phát triển để khắc phục một phần, chúng vẫn còn tồn tại các hạn chế về độ phức tạp tính toán và hiệu quả khi đối mặt với dữ liệu có nhiều phần tử nhiễu hoặc thay đổi. Để khắc phục những hạn chế này, nghiên cứu đề xuất hai mô hình tiên tiến mới: tập mờ trực cảm mức alpha và tập thô lân cận mờ trực cảm có trọng số. Các mô hình này được thiết kế để tận dụng khả năng của tập mờ trực cảm trong việc xử lý thông tin không chắc chắn và không đầy đủ, đồng thời tích hợp khái niệm trọng số để phản ánh vai trò khác nhau của các đối tượng. Dựa trên các mô hình này, luận án phát triển các độ đo khoảng cách mới và xây dựng các thuật toán rút gọn thuộc tính hiệu quả. Các thuật toán này không chỉ áp dụng cho bảng quyết định cố định mà còn được mở rộng để xử lý các kịch bản dữ liệu gia tăng, nơi các đối tượng được thêm vào hoặc loại bỏ. Mục tiêu là giảm thiểu thời gian thực thi và nâng cao độ chính xác phân lớp so với các phương pháp hiện có. Giá trị ứng dụng của nghiên cứu nằm ở việc cung cấp các công cụ tiền xử lý dữ liệu mạnh mẽ hơn, giúp cải thiện hiệu suất của các mô hình học máy và khai phá dữ liệu trong môi trường dữ liệu phức tạp, nhiễu và động. Kết quả đóng góp vào việc phát triển các thuật toán rút gọn thuộc tính linh hoạt và hiệu quả hơn, đặc biệt hữu ích trong các hệ thống thông tin xử lý dữ liệu lớn và thay đổi liên tục.