Tên đề tài luận án: Nghiên cứu phát triển kỹ thuật học máy phát hiện và phân lớp trôi khái niệm.

1. Họ và tên nghiên cứu sinh: Nguyễn Khánh Tùng                2. Giới tính: Nam

3. Ngày sinh: 2/9/1981                                                              4.Nơi sinh: Hà Nội

5. Quyết định công nhận nghiên cứu sinh số: 1200/QĐ-CTSV, ngày 29 tháng 12 năm 2020 của Hiệu trưởng Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội.

6. Các thay đổi trong quá trình đào tạo:

• Quyết định gia hạn thời gian học tập cho nghiên cứu sinh theo Quyết định số 1442/QĐ-ĐHCN ngày 29/12/2023, thời gian gia hạn đến 1/1/2026.
• Quyết định 1445/QĐ-ĐHCN ngày 07/07/2025 về việc điều chỉnh tên đề tài luận án tiến sĩ của NCS Nguyễn Khánh Tùng

7. Tên đề tài luận án: Nghiên cứu phát triển kỹ thuật học máy phát hiện và phân lớp trôi khái niệm.

8. Ngành đào tạo: Hệ thống thông tin                                           9. Mã số: 9480104

10. Cán bộ hướng dẫn khoa học: PGS.TS Hà Quang Thụy và PGS.TS Phan Xuân Hiếu.

Thông tin luận án Tiến sỹ của NCS Nguyễn Khánh Tùng (tiếng Anh)

11. Tóm tắt các kết quả mới của luận án.

Nghiên cứu của luận án hướng tới một số mục tiêu nghiên cứu sau đây:

• Thứ nhất, đề xuất các mô hình phát hiện trôi khái niệm dựa trên học kết hợp và tối ưu hóa siêu tham số mô hình.
• Thứ hai, nghiên cứu đề xuất các mô hình phân lớp trôi khái niệm dựa trên mạng nguyên mẫu xử lý cửa sổ phát hiện trôi khái niệm đa kiểu.
• Thứ ba, nghiên cứu đề xuất mô hình phân lớp trôi khái niệm dựa trên phân tích và tối ưu không gian biểu diễn mạng nguyên mẫu.

Đối tượng nghiên cứu của luận án: là các mô hình xử lý trôi khái niệm và các kỹ thuật được áp dụng trong các mô hình đó.

Luận án sử dụng phương pháp nghiên cứu kết hợp bao gồm: phương pháp nghiên cứu định tính và phương pháp nghiên cứu định lượng. Luận án tiến hành việc phân tích định tính các khái niệm và mô hình từ hệ thống tài liệu liên quan và các tài liệu nghiên cứu chuyên sâu phù hợp với các mục tiêu nghiên cứu của luận án. Đồng thời, luận án tiến hành các nghiên cứu định lượng thông qua việc triển khai các hệ thống thực nghiệm tương ứng, tiến hành các kịch bản thực nghiệm để đánh giá hiệu năng của các kỹ thuật và mô hình đề xuất để kiểm chứng, đánh giá kết quả đối với các đề xuất của luận án.

Tham gia vào dòng nghiên cứu trên thế giới theo các xu hướng xử lý trôi khái niệm như đã được đề cập, luận án có ba nhóm đóng góp chính sau đây:

• Đầu tiên, luận án đề xuất một khung phát hiện trôi khái niệm cải tiến từ khung ERICS của tác giả Haug và cộng sự năm 2020, trong đó xây dựng hai mô hình: E-ERICS và ERICS+3. Mô hình E-ERICS kết hợp bốn mô hình cơ sở để phát hiện trôi đột ngột và trôi gia tăng. Mô hình ERICS+3 kết hợp ba mô hình cơ sở nhằm phát hiện các điểm trôi dần dần trên từng trường hợp dữ liệu trong luồng.
• Tiếp đó, luận án đề xuất hai khung phân lớp trôi khái niệm cải tiến, bao gồm VAR-WIND và MetaLDD-Finetune, được phát triển dựa trên khung phân lớp trôi khái niệm Meta-ADD do Hang Yu và cộng sự đề xuất năm 2022. Khung VAR-WIND cải tiến giai đoạn trích xuất đặc trưng của Meta-ADD bằng cách áp dụng các chiến lược cửa sổ khác nhau đối với từng kiểu trôi. Khung MetaLDD-Finetune được xây dựng bằng cách bổ sung một bước tinh chỉnh sau giai đoạn tiền huấn luyện, nhằm tăng cường khả năng thích nghi với dữ liệu mới, từ đó nâng cao độ chính xác trong phân lớp kiểu trôi.
• Cuối cùng, luận án tiếp tục phát triển một khung phân lớp trôi khái niệm có tên là CS&AM_SC, nhằm nâng cao độ chính xác trong phân lớp kiểu trôi thông qua việc phân tích và tối ưu hóa không gian biểu diễn đặc trưng trong mạng nguyên mẫu.

Kết luận: Luận án của NCS. Nguyễn Khánh Tùng đáp ứng các yêu cầu của một luận án Tiến sỹ tại Đại học Quốc gia Hà Nội.

12. Khả năng ứng dụng trong thực tiễn.

13. Những hướng nghiên cứu tiếp theo

• Thứ nhất, tiến hành nghiên cứu áp dụng phương pháp DriftLens của tác giả Greco và cộng sự vào quy trình phát hiện trôi trong E-ERICS/ERICS+3 và thử nghiệm trên các tập dữ liệu có chứa nhiễu mạnh và các dạng trôi mờ nhạt.
• Thứ hai, triển khai thực nghiệm so sánh trực tiếp các kiến trúc học từ ít mẫu nền tảng (Siamese Networks và Relation Networks) với mạng nguyên mẫu trong cùng điều kiện và tập dữ liệu.

14. Các công trình đã công bố có liên quan đến luận án:

• [TungNK1]. Nguyen, K. T., Tran, T., Nguyen, A. D., Phan, X. H., & Ha, Q. T. (2022, November). Parameter distribution ensemble learning for sudden concept drift detection. In Asian Conference on Intelligent Information and Database Systems, pp. 192-203. Cham: Springer Nature Switzerland. Scopus, DBLP, 01 trích dẫn Scopus.
• [TungNK2]. Nguyen, K. T., Tran, T., Nguyen, A. D., Phan, X. H., & Ha, Q. T. (2023, November). Concept Drift Detection in Data Stream: Ensemble Learning Method for Detecting Gradual Instances. In 2023 Asia Meeting on Environment and Electrical Engineering (EEE-AM), pp. 01-05. IEEE^[1] .
• [TungNK3]. -T. Nguyen, Q. -T. Ha, X. -H. Phan and Q. -N. N. Han. A Fine-Tuning Approach to Improve Concept Drift Type Classification Accuracy, 2024 16th International Conference on Knowledge and System Engineering (KSE), Kuala Lumpur, Malaysia, 2024, pp. 01-05, doi: 10.1109/KSE63888.2024.11063551. Scopus, DBLP, IEEE.
• [TungNK4]. Nguyen, K. T., Ha, Q. T., & Phan, X. H. (2024, December). Enhancing Drift Type Classification Through Intra-class Variation Reduction. In International Conference on Applied Mathematics and Computer Science, pp. 168-177. Cham: Springer Nature Switzerland. (First Online: 27 August 2025). Scopus, DBLP.
• [TungNK5]. Nguyen, K. T., Ha, Q. T., & Phan, X. H. (2024, December) Dynamic Windowing Strategies for Concept Drift Type Classification in Data Streams. In 2024 IEEE International Conference on Progress in Informatics and Computing (PIC) (pp. 70-74). Scopus, IEEE, 01 trích dẫn Scopus

[1] https://ieeexplore.ieee.org/author/697470114198698