Tóm tắt 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 giải quyết vấn đề quan trọng trong phân tích dữ liệu và học máy: chọn lọc thuộc tính, đặc biệt đối với các tập dữ liệu số có nhiễu hoặc thay đổi liên tục. Các phương pháp tập thô truyền thống gặp hạn chế khi xử lý dữ liệu liên tục do yêu cầu rời rạc hóa, có thể gây mất thông tin. Mặc dù các mô hình tập thô mờ (FRS) và tập thô mờ trực cảm (IFRS) đã được đề xuất để khắc phục, chúng vẫn đối mặt với thách thức về hiệu quả tính toán và khả năng xử lý dữ liệu nhiễu. Mục tiêu chính của nghiên cứu là phát triển các phương pháp hiệu quả hơn để tính toán tập rút gọn trong không gian xấp xỉ mờ, áp dụng cho cả dữ liệu nhiễu và dữ liệu động.

Các nhà nghiên cứu và chuyên gia trong lĩnh vực khai phá dữ liệu, học máy, trí tuệ nhân tạo và hệ thống thông tin, đặc biệt những người làm việc với các tập dữ liệu số lớn, có nhiễu hoặc thay đổi liên tục, quan tâm đến chọn lọc thuộc tính, lý thuyết tập thô và logic mờ.

Luận án tiến sĩ này, với tiêu đề "NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP NÂNG CAO HIỆU QUẢ TÍNH TOÁN TẬP RÚT GỌN TRÊN KHÔNG GIAN XẤP XỈ MỜ", tập trung vào việc cải thiện hiệu quả của quá trình rút gọn thuộc tính trong các môi trường dữ liệu phức tạp. Chọn lọc thuộc tính là một bước tiền xử lý dữ liệu thiết yếu trong học máy và phân tích dữ liệu, giúp giảm độ phức tạp tính toán, nâng cao khả năng diễn giải mô hình và cải thiện độ chính xác dự đoán. Tuy nhiên, các phương pháp dựa trên lý thuyết tập thô truyền thống thường yêu cầu rời rạc hóa dữ liệu liên tục, dẫn đến chi phí tính toán cao và nguy cơ mất mát thông tin quan trọng. Để khắc phục những hạn chế này, luận án đã nghiên cứu và mở rộng các khái niệm về Tập thô mờ (FRS) và Tập thô mờ trực cảm (IFRS), cho phép chọn lọc thuộc tính trực tiếp trên dữ liệu số gốc. Thách thức chính được xác định là hiệu quả tính toán và khả năng xử lý của các phương pháp hiện có khi đối mặt với dữ liệu số có nhiễu hoặc dữ liệu thay đổi liên tục. Nghiên cứu này đề xuất hai hướng tiếp cận chính: 1. Cải thiện thời gian tính toán tập rút gọn trên bảng quyết định số có chứa nhiễu: Luận án đã tổng quan các phương pháp chọn lọc thuộc tính chống nhiễu, đặc biệt tập trung vào việc mở rộng và tối ưu hóa mô hình Tập thô mờ độ chính xác thay đổi (VPFRS). Một thuật toán rút gọn thuộc tính mới dựa trên VPFRS mở rộng đã được đề xuất. Kết quả thực nghiệm cho thấy thuật toán này không chỉ nhanh hơn các phương pháp IFRS và VPFRS truyền thống mà còn tạo ra các tập rút gọn nhỏ hơn và đạt độ chính xác phân lớp cao hơn trên nhiều bộ dữ liệu. 2. Cải thiện thời gian tính toán tập rút gọn trên các bảng quyết định động: Hướng này tập trung vào phát triển các phương pháp chọn lọc thuộc tính gia tăng. Luận án đã giới thiệu các khái niệm mới như hạt thông tin mờ và độ đo hạt thông tin mờ tương ứng, đồng thời xây dựng các công thức tính toán gia tăng cho các trường hợp bổ sung hoặc loại bỏ đối tượng trong bảng quyết định. Một phương pháp chọn lọc thuộc tính gia tăng mới dựa trên các công thức này cũng được đề xuất. Đánh giá thực nghiệm chỉ ra rằng phương pháp này vượt trội đáng kể so với các phương pháp gia tăng dựa trên khoảng cách mờ truyền thống về tốc độ, đồng thời vẫn đảm bảo tập rút gọn nhỏ hơn và độ chính xác phân lớp cao hơn trên các bộ dữ liệu lớn. Luận án đóng góp đáng kể vào lĩnh vực hệ thống thông tin bằng cách cung cấp các phương pháp rút gọn thuộc tính hiệu quả, có cơ sở lý thuyết vững chắc và được kiểm chứng thực nghiệm, đặc biệt hữu ích cho việc xử lý dữ liệu số có nhiễu và dữ liệu động. Các kết quả nghiên cứu đã được công bố trên các công trình khoa học, khẳng định giá trị ứng dụng và tiến bộ lý thuyết của đề tài.