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

Luận án này tập trung nghiên cứu các phương pháp nâng cao hiệu quả tính toán tập rút gọn trong không gian xấp xỉ mờ, đặc biệt đối với dữ liệu có nhiễu và dữ liệu động. Đây là một vấn đề quan trọng nhằm tối ưu hóa quá trình xử lý dữ liệu trong lĩnh vực khai phá dữ liệu và học máy.

Luận án hướng đến các nhà nghiên cứu, học giả, sinh viên sau đại học và chuyên gia trong các lĩnh vực khoa học dữ liệu, học máy, trí tuệ nhân tạo, hệ thống thông tin và toán học ứng dụng, đặc biệt là những người quan tâm đến lý thuyết tập thô, chọn lọc thuộc tính và xử lý dữ liệu lớn.

Luận án tiến sĩ này trình bày nghiên cứu chuyên sâu về các phương pháp nâng cao hiệu quả tính toán tập rút gọn thuộc tính trên không gian xấp xỉ mờ. Xuất phát từ những hạn chế của lý thuyết tập thô truyền thống khi xử lý dữ liệu liên tục, nghiên cứu tập trung vào các mô hình mở rộng như Tập thô mờ (Fuzzy Rough Set - FRS) và đặc biệt là Tập thô mờ độ chính xác thay đổi (Variable Precision Fuzzy Rough Set - VPFRS), nhằm giải quyết vấn đề dữ liệu có nhiễu và giảm chi phí tính toán. Luận án đặt ra hai mục tiêu chính: thứ nhất, cải thiện thời gian tính toán tập rút gọn trên các bảng quyết định tĩnh có chứa nhiễu thông qua việc tối ưu hóa các phép toán cơ bản trong VPFRS và đề xuất phương pháp chọn lọc thuộc tính mới dựa trên VPFRS mở rộng; thứ hai, nâng cao hiệu quả tính toán tập rút gọn trên các bảng quyết định động, nơi dữ liệu thay đổi liên tục. Để đạt được mục tiêu này, luận án mở rộng khái niệm hạt thông tin tri thức sang không gian xấp xỉ mờ và xây dựng các công thức tính toán gia tăng cho các trường hợp bổ sung hoặc loại bỏ đối tượng. Các phương pháp được đề xuất không chỉ nhằm giảm độ phức tạp tính toán mà còn cải thiện khả năng diễn giải mô hình và nâng cao độ chính xác dự đoán, mang lại đóng góp thiết thực cho các ứng dụng trong phân tích dữ liệu và trí tuệ nhân tạo.