1. Giới thiệu tổng quan và Tính cấp thiết của đề tài
Trong kỷ nguyên chuyển đổi số toàn diện, lưu lượng văn bản điện tử bao gồm văn bản pháp lý, hồ sơ kinh tế, tài liệu hành chính và dữ liệu truyền thông tăng trưởng theo cấp số nhân. Bài toán tự động phân loại văn bản đóng vai trò nòng cốt trong việc tổ chức, tìm kiếm và khai phá tri thức. Các mô hình mạng nơ-ron học sâu (Deep Neural Networks) hiện đại đã thiết lập những tiêu chuẩn mới về độ chính xác trong xử lý ngôn ngữ tự nhiên (NLP).
Tuy nhiên, các mô hình học sâu đòi hỏi chi phí tính toán vô cùng lớn và thường thiếu tính minh bạch trong cơ chế ra quyết định. Thêm vào đó, bài toán trích xuất mô hình (Model Extraction) dựa trên dữ liệu đầu vào - đầu ra đặt ra hai thách thức song song: vừa là công cụ hiệu quả để nén và tối ưu hóa mô hình phục vụ triển khai thực tiễn, vừa là nguy cơ an ninh mạng đối với các tài sản trí tuệ AI. Do đó, việc "Nghiên cứu, phát triển một số kỹ thuật trích xuất mô hình mạng nơ-ron học sâu dựa trên dữ liệu trong phân loại văn bản" của tác giả Phạm Xuân Công có tính khoa học cấp thiết và giá trị thực tiễn sâu sắc.
2. Mục tiêu và Đối tượng nghiên cứu
Mục tiêu nghiên cứu
- Nghiên cứu cơ sở lý thuyết toán học của các kỹ thuật trích xuất mô hình mạng nơ-ron học sâu từ dữ liệu.
- Phát triển các thuật toán trích xuất mô hình mới nhằm tối ưu hóa số lượng truy vấn, nâng cao độ chính xác và giảm thiểu độ phức tạp tính toán trong phân loại văn bản.
- Đánh giá tính hiệu quả, độ vững chắc và khả năng ứng dụng của mô hình trích xuất trên các bộ dữ liệu thực tế.
Đối tượng nghiên cứu
- Các thuật toán và kiến trúc mạng nơ-ron học sâu ứng dụng trong phân loại văn bản (CNN, RNN, Transformer-based models).
- Phương pháp và kỹ thuật trích xuất tri thức (Model Extraction / Knowledge Distillation) dựa trên phân tích dữ liệu đầu vào và đáp ứng đầu ra.
- Các công cụ toán học tối ưu hóa và lý thuyết học máy liên quan đến tính ổn định của mô hình.
3. Phương pháp nghiên cứu và Phạm vi đề tài
Đề tài áp dụng tiếp cận liên ngành kết hợp giữa Toán học lý thuyết, Khoa học máy tính và Khoa học dữ liệu:
- Phương pháp phân tích toán học: Sử dụng đại số tuyến tính, tối ưu hóa convex/non-convex và lý thuyết xác suất thống kê để xây dựng mô hình toán học cho quá trình trích xuất tri thức.
- Phương pháp thực nghiệm và mô phỏng: Xây dựng các kịch bản thử nghiệm trên máy tính, sử dụng các bộ dữ liệu văn bản tiêu chuẩn để kiểm chứng và so sánh hiệu năng giữa thuật toán đề xuất với các phương pháp hiện hành.
- Phạm vi nghiên cứu: Tập trung vào các kỹ thuật trích xuất mô hình dựa trên dữ liệu ứng dụng cho bài toán phân loại văn bản đa lớp và đa nhãn.
4. Những đóng góp mới và Kết quả nghiên cứu nổi bật
- Đề xuất cải tiến thuật toán trích xuất dữ liệu hiệu quả: Thiết lập quy trình sinh dữ liệu truy vấn thông minh, giúp giảm thiểu đáng kể chi phí truy vấn đến mô hình gốc mà vẫn khôi phục được hiệu năng phân loại tương đương.
- Tối ưu hóa dung lượng và tốc độ xử lý: Đóng góp giải pháp nén mô hình mạng nơ-ron học sâu phức tạp thành các mô hình thu nhỏ (surrogate models) nhẹ hơn, cho phép vận hành linh hoạt trên các hệ thống hạn chế tài nguyên.
- Đóng góp về mặt lý thuyết toán học: Phân tích và làm rõ ranh giới quyết định (decision boundary) cùng tính an toàn của các mạng nơ-ron trước nguy cơ tấn công trích xuất tri thức.
5. Ý nghĩa khoa học và Giá trị thực tiễn
Ý nghĩa khoa học
Công trình đóng góp quan trọng vào kho tàng lý thuyết Toán học ứng dụng và Trí tuệ nhân tạo tại Việt Nam, đặc biệt trong việc làm sáng tỏ cơ chế hoạt động và tính khả thi của việc trích xuất tri thức từ các mô hình học sâu phức tạp.
Giá trị thực tiễn
Kết quả nghiên cứu mở ra hướng ứng dụng rộng lớn trong việc xây dựng các công cụ phân loại văn bản tự động tốc độ cao, phục vụ hiệu quả cho việc phân tích văn bản pháp luật, quản trị dữ liệu doanh nghiệp, số hóa hồ sơ kinh tế và hỗ trợ công tác bảo mật, an ninh thông tin tại các cơ quan quản lý nhà nước cũng như các tổ chức kinh tế - xã hội.
6. Thông tin tác giả và Cơ sở đào tạo
- Tên đề tài luận văn/luận án: Nghiên cứu, phát triển một số kỹ thuật trích xuất mô hình mạng nơ-ron học sâu dựa trên dữ liệu trong phân loại văn bản
- Tác giả: Phạm Xuân Công
- Chuyên ngành: Toán học / Khoa học tự nhiên
- Cơ sở đào tạo / Phát hành: Viện Khoa học và Công nghệ quân sự
- Ngày công bố: 12/01/2026