1. Họ và tên: Phạm Quốc Thắng                         2. Giới tính: Nam          

3. Ngày sinh: 11/06/1979                                    4. Nơi sinh: Thái Bình   

5. Quyết định công nhận nghiên cứu sinh số: 1138/QĐ-CTSV, ngày 18 tháng 12 năm 2013 của Trường Đại học Công nghệ

6. Các thay đổi trong quá trình đào tạo:

- Quyết định số 1135/QĐ-ĐT ngày 30/12/2016 về việc gia hạn thời gian đào tạo cho nghiên cứu sinh.

- Quyết định số 108/QĐ-ĐT ngày 25/01/2019 về việc trả nghiên cứu sinh về cơ quan công tác.

7. Tên đề tài luận án: Nâng cao hiệu năng các mô hình RBF rút gọn cho bài toán phân lớp

8. Chuyên ngành: Khoa học máy tính                 9. Mã số: 9480101.01    

10. Cán bộ hướng dẫn khoa học: GS.TS Nguyễn Thanh Thủy, PGS.TS Nguyễn Đức Dũng

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

- Luận án đã phát triển thuật toán SimpSVM-SVD cho phép tăng tốc pha kiểm thử SVM thông qua rút gọn nghiệm SVM, giảm số vectơ hỗ trợ, đảm bảo vẫn giữ nguyên độ chính xác phân lớp.

- Luận án đã phát triển thuật toán FastRVM cho phép tăng tốc pha huấn luyện RVM, đảm bảo giữ nguyên độ chính xác phân lớp. Đồng thời, tăng cường khả năng làm việc của phương pháp RVM trên các tập dữ liệu lớn hơn.

- Luận án góp phần nghiên cứu ứng dụng các mô hình RBF rút gọn trong nhận dạng đối tượng, cụ thể là phân lớp đối tượng trong các bài toán thực tế như: nhận dạng ngôn ngữ ký hiệu, nhận dạng cử chỉ, hành động, phân lớp ảnh hoa.

- Luận án đã phân tích, so sánh và đánh giá các phương pháp huấn luyện mô hình RBF rút gọn đối với phân lớp đối tượng và yêu cầu tính toán khác. Nghiên cứu này mang lại những kết luận về sự phù hợp của các phương pháo này trong những điều kiện hoàn cảnh cụ thể.

12. Khả năng ứng dụng trong thực tiễn: các kết quả nghiên cứu mô hình RBF rút gọn có ý nghĩa thực tế, có thể được áp dụng trong các ứng dụng yêu cầu xử lý thông tin nhanh như xử lý dữ liệu truyền từ các cảm biến, xử lý tín hiệu hình ảnh, video, an toàn và bảo mật thông tin…

13. Những hướng nghiên cứu tiếp theo:

- Tiếp tục phát triển phương pháp SimpSVM theo hướng sử dụng heuristic để lựa chọn vectơ rút gọn và điều chỉnh.

- Tiếp tục phát triển phương pháp FastRVM theo hướng sử dụng các kỹ thuật lấy mẫu tập con dữ liệu khác như lấy mẫu theo phân phối xác suất, kết hợp với sử dụng heuristic khác để lựa chọn các ứng viên RV có khả năng cao được đưa vào mô hình.

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

[1] Pham Q.T., Nguyen D.D., Nguyen T.T., A comparison of SimpSVM and RVM on sign language recognition, In the Proceedings of the International Conference on Machine Learning and Soft Computing (ICMLSC 2017), ISBN: 978-1-4503-4828-7, ACM, 2017, pp. 98-104 (Scopus).

[2] Pham Q.T., Nguyen T.T., Hoang T.L., The SVM, SimpSVM and RVM on sign language recognition problem, In the Proceedings of the 7th International Conference on Information Science and Technology (ICIST 2017), ISBN: 978-1-5090-5401-5, IEEE, 2017, pp. 398-403.

[3] Nguyen D.H., Pham Q.T., Nguyen D.D., RBF Models with Shallow and Deep Feature for Skeleton-based Human Gesture Recognition, In the Proceedings of the National Foundation for Science and Technology Development (NAFOSTED) Conference on Information and Computer Science (NICS), IEEE, 2017, pp. 72-77.

[4] Pham Q.T., Nguyen T.T., Hoang T.L., A Modification of Solution Optimization in Support Vector Machine Simplification for Classification, In: Bhateja V., Nguyen B., Nguyen N., Satapathy S., Le DN. (eds) Information Systems Design and Intelligent Applications. Advances in Intelligent Systems and Computing, vol 672. Springer, Singapore, 2018, pp. 149-158 (ISI Web of Science, Scopus).

[5] Pham Q.T., Hoang T.L., Nguyen T.T., Improving Simplification of Support Vector Machine for Classification, International Journal of Machine Learning and Computing, vol. 8, no. 4, pp. 372-376, 2018 (Scopus, Q3).