LuanVan.vnLuận Văn
Gửi thư

Tối ưu chất lượng và tính đa dạng trong bài toán phát sinh dữ liệu với các mô hình tạo sinh

Luận văn · Thạc sĩ · năm 2026 · đề tài tham khảo

Loại tài liệuLuận văn
Bậc họcThạc sĩ
NgànhCông nghệ thông tin
Tác giảNguyễn Thái Huy
Người hướng dẫnLương Ngọc Hoàng
Cơ sở đào tạoĐại học Quốc gia TP. Hồ Chí Minh
Năm2026
NguồnThư viện số Đại học Quốc gia TP. Hồ Chí Minh · trang gốc

Tóm tắt

Nội dung của luận văn được trình bày theo bố cục sau đây: • Chương 1: Tổng quan. Chương này trình bày tổng quan về bài toán Tối ưu chất lượng và tính đa dạng của dữ liệu phát sinh với mô hình tạo sinh. Từ đó, chương xác định các vấn đề nghiên cứu trọng tâm, phạm vi thực hiện và những đóng góp chính của luận văn trong bối cảnh nghiên cứu hiện nay. • Chương 2: Kiến thức nền tảng. Chương này trình bày cách mô hình hóa bài toán QD trong bối cảnh phát sinh dữ liệu bằng mô hình tạo sinh. Bên cạnh đó, chương giới thiệu các khái niệm, phương pháp nền tảng và độ đo liên quan nhằm tạo cơ sở lý thuyết cho các chương tiếp theo, đồng thời thống nhất cách hiểu và hệ thống ký hiệu được sử dụng trong luận văn. Ngoài ra, chương cũng tổng quan một số công trình nghiên cứu liên quan đến nhóm bài toán này. • Chương 3: Đánh giá tính bền vững của mô hình thị giác - ngôn ngữ với đa dạng mẫu đối kháng. Chương này đề xuất áp dụng thuật toán QD để tìm kiếm các mẫu tấn công đối kháng đa dạng bằng việc biến đổi văn bản gốc khiến mô hình thị giác - ngôn ngữ truy xuất sai lệch. Qua đó, giúp đánh giá độ bền vững của mô hình, đồng thời làm rõ các điểm yếu ở nhiều khía cạnh khác nhau về độ tương đồng thị giác và ngữ nghĩa so với văn bản gốc. • Chương 4: Tìm kiếm các mẫu tấn công đối kháng trên bài toán tạo sinh ảnh từ văn bản. Chương này trình bày quy trình tạo ra các mẫu đối kháng đa dạng về mức độ nguy trang nhằm gây sai lệch nội dung ảnh sinh ra của mô hình tạo sinh ảnh từ văn bẳn. Chúng tôi xem xét hai thiết lập tấn công khác nhau bao gồm không mục tiêu và có mục tiêu, từ đó tìm hiểu độ bền vững của mô hình trên nhiều mức độ nguy trang khác nhau. • Chương 5: Tiến hóa đa dạng câu trả lời chất lượng cho các tác vụ tạo sinh ngôn ngữ tự nhiên. Chương này tập trung mở rộng thuật toán QD cho các tác vụ tạo sinh ngôn ngữ tự nhiên có đầu vào cho trước (instance-based) nhằm đa dạng hóa các đặc trưng trong văn bản sinh ra. Đồng thời, chúng tôi đề xuất một cơ chế mới để tăng cường khả năng đa dạng hóa của các phép biến đổi, qua đó cải thiện khả năng khám phá không gian lời giải. • Chương 6: Tự động khám phá các thiên lệch trong mô hình ngôn ngữ lớn. Chương này chỉ ra hạn chế của các phương pháp đánh giá thiên lệch dựa trên dữ liệu thủ công và đề xuất một khung phương pháp dựa trên QD để tự động khám phá thiên lệch trong LLM. Phương pháp kết hợp quá trình tạo sinh dữ liệu, đánh giá thiên lệch dựa trên LLM và đa dạng hóa đặc trưng, giúp nâng cao khả năng mở rộng, tự động hóa và giảm phụ thuộc vào con người. • Chương 7: Kết luận và Hướng phát triển. Chương này tổng kết các nội dung và kết quả chính của luận văn, tiềm năng của QD cho việc phát sinh dữ liệu, đồng thời đề xuất một số hướng nghiên cứu tiềm năng trong tương lai.
Bản toàn văn lưu tại thư viện Đại học Quốc gia TP. Hồ Chí Minh

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 công nghệ thông tin · 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.