LuanVan.vnLuận Văn
Gửi thư

NEXUS: MÔ HÌNH HỌC NEURAL-SYMBOLIC VỚI KHÁM PHÁ KHÔNG GIAN LUẬT CHO PHÂN LỚP ẢNH DI SẢN VĂN HÓA PHI VẬT THỂ

Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhLuật
Tác giảĐặng Duy Khoa
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2026
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Phân lớp ảnh di sản văn hóa phi vật thể gặp khó khăn do nhiều lớp chia sẻ bối cảnh, trang phục, nghi lễ và không gian trình diễn. Nghiên cứu này đề xuất NEXUS, mô hình học neural-symbolic khám phá không gian tổ hợp của các luật được trích từ biểu diễn thị giác. Tầng thứ nhất loại các luật không đạt ngưỡng support và confidence. Tầng thứ hai biểu diễn tập luật bằng vector nhị phân và huấn luyện Generative Flow Network (GFlowNet) bằng mục tiêu Detailed Balance để lấy mẫu tập con có xác suất tỷ lệ với phần thưởng cấp tập hợp. Phần thưởng đánh giá hành vi bỏ phiếu có trọng số confidence thông qua macro accuracy, correct coverage, wrong coverage và xung đột dự đoán. Các tập luật được lấy mẫu được đưa trở lại backbone dưới dạng regularizer khả vi bằng kỳ vọng Monte Carlo. Đánh giá chính được thực hiện trên bộ dữ liệu 12 lớp về di sản văn hóa phi vật thể Việt Nam; bộ FastFood được giữ như dữ liệu đối chứng ngoài miền nhằm kiểm tra liệu cơ chế có phụ thuộc riêng vào miền di sản hay không. Thực nghiệm sử dụng năm backbone, năm seed và hai bộ dữ liệu, tạo thành 50 cấu hình và 300 kết quả ở cấp phương pháp. Trên bộ dữ liệu di sản, GFlowNet-Marginal cải thiện mô hình nền trung bình +0,221 điểm accuracy qua năm backbone. Không quan sát thấy tập luật lặp lại trong các batch hậu kiểm 1.000 mẫu; xác suất bao hàm có tương quan thứ hạng gần 0 với các điểm đơn luật. Mức cải thiện thay đổi theo backbone; dữ liệu đối chứng có hiệu số trung bình dương +0,256 điểm. Kết quả cho thấy cơ chế khám phá không gian luật có tiềm năng hỗ trợ phân lớp ảnh di sản, đồng thời hiệu quả còn phụ thuộc vào backbone và miền dữ liệu được sử dụng. Từ khóa: NEXUS; di sản văn hóa phi vật thể; Generative Flow Network; học neural-symbolic; khám phá không gian luật; phân lớp ảnh. Classifying images of intangible cultural heritage is challenging because several categories share visual context, costumes, rituals, and performance settings. This thesis proposes NEXUS, a neural-symbolic learning framework that explores the combinatorial space of rules extracted from visual representations. NEXUS first removes rules that fail support and confidence thresholds. It then represents a rule set as a binary vector and trains a Generative Flow Network (GFlowNet) with the Detailed Balance objective to sample subsets in proportion to a set-level reward. The reward evaluates confidence-weighted voting through macro accuracy, correct coverage, wrong coverage, and prediction conflict. Multiple sampled rule sets are returned to the visual backbone as a differentiable regularizer through Monte Carlo marginalization. The primary evaluation uses the 12-class Vietnamese intangible cultural heritage dataset; FastFood is retained as a secondary out-of-domain dataset to examine whether the mechanism is specific to the heritage domain. Experiments compare six methods over five visual backbones and five independent seeds, yielding 50 dataset–backbone–seed configurations and 300 method-level results. On the heritage dataset, GFlowNet-Marginal improves baseline accuracy by 0.221 percentage points when averaged over backbones. No repeated rule set is observed within the 1,000-sample posterior batches, and inclusion probabilities have near-zero rank association with single-rule scores. Gains vary by backbone; the out-of-domain control retains a positive mean difference of 0.256 points. The results support rule-space exploration for heritage image classification while showing that its effect depends on the visual backbone and data domain. Keywords: NEXUS; intangible cultural heritage; Generative Flow Network; neural-symbolic learning; rule-space exploration; image classification.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn luật · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.