Nghiên cứu 1: NHẬN DIỆN NGƯỜI DÙNG RỜI BỎ DỊCH VỤ SỚM TRONG TRÒ CHƠI DI ĐỘNG MIỄN PHÍ SỬ DỤNG HỆ THỐNG MÔ HÌNH HAI GIAI ĐOẠN
Tác giả: 220201015 - Hà Đăng Hoàng
Sự bùng nổ vượt bậc của lĩnh vực công nghiệp trò chơi di động, đặc biệt là các trò chơi áp dụng mô hình trò chơi miễn phí, đã tạo ra nhu cầu ngày càng cao trong việc tối ưu hóa tỷ lệ giữ chân người dùng. Tuy nhiên, tỷ lệ rời bỏ dịch vụ sớm, đặc biệt trong các thể loại trò chơi như “Siêu giải trí” và “Rảnh tay”, đang trở thành một thách thức lớn đối với các nhà phát triển khi lên tới hơn 60% ngay trong phiên đầu tiên. Để giải quyết vấn đề này, luận văn này đề xuất một hệ thống nhận diện rời bỏ sớm hai giai đoạn nhằm dự đoán liệu người dùng có tiếp tục sử dụng ứng dụng sau phiên đầu tiên hay không. Hệ thống sử dụng các tính năng tổng quát hóa được thu thập trong quá trình hướng dẫn sử dụng và phiên đầu tiên, cùng với việc kết hợp các mô hình học máy như eXtreme Gradient Boosting, Gradient Boosted Trees Classifier, và các mô hình mạng nơ-ron như Artificial Neural Networks và Feature Tokenizer -Transformer. Qua việc nghiên cứu và xây dựng các mô hình này, hệ thống đạt được kết quả Area Under ROC Curve cao nhất là 99% trên ba bộ dữ liệu thực tế với hơn 700,000 người dùng, cho thấy khả năng tốt trong việc nhận diện sớm người dùng có khả năng rời bỏ. Kết quả này nhấn mạnh vai trò quan trọng của việc lựa chọn mô hình và tập đặc trưng phù hợp, đồng thời đề xuất các phương pháp xử lý dữ liệu tối ưu như sử dụng mô hình Gradient Boosted Regression Trees để cải thiện độ chính xác và tránh thiên vị trong bối cảnh thiếu dữ liệu. Hệ thống đề xuất không chỉ đáp ứng tốt yêu cầu khái quát hóa trên nhiều thể loại trò chơi khác nhau mà còn cung cấp cơ sở vững chắc cho các chiến lược giữ chân người dùng hiệu quả trong giai đoạn đầu sử dụng với kết quả thực nghiệm bằng phương pháp kiểm thử phân tập trên ứng dụng thực tế.
Nghiên cứu 2: Một nghiên cứu về việc phân loại mã độc PE bằng học liên kết
Tác giả: 220201025 - Nguyễn Vương Thịnh
Trong thời đại công nghệ số ngày nay, các mối đe dọa mã độc và tấn công mạng đang ngày càng trở nên phức tạp và khó kiểm soát. Việc phân loại mã độc một cách chính xác và nhanh chóng là yêu cầu cấp thiết nhằm bảo vệ hệ thống mạng và dữ liệu của các tổ chức. Mặc dù các phương pháp học máy hiện tại đã chứng minh giá trị của chúng trong việc phát hiện và phân loại mã độc. Nhưng chúng thường yêu cầu tập hợp tất cả dữ liệu từ nhiều nguồn khác nhau về một chỗ mới có thể bắt đầu quá trình huấn luyện. Điều này dẫn đến việc xử lý và lưu trữ dữ liệu tập trung, có thể gây rủi ro cao về rò rỉ thông tin cá nhân người dùng. Việc tập trung dữ liệu ở một chỗ không chỉ làm tăng nguy cơ lộ lọt thông tin mà còn đặt ra thách thức về bảo mật dữ liệu và tuân thủ các quy định về quyền riêng tư của người dùng. Các giải pháp huấn luyện mô hình tập trung dữ liệu khó có thể đảm bảo quyền riêng tư cho người dùng trong quá trình xử lý dữ liệu, đặc biệt là khi dữ liệu có thể bao gồm thông tin nhạy cảm.
Nghiên cứu này đã đề xuất một khung phân loại mã độc PE toàn diện, kết hợp mô hình học sâu tiên tiến ResNet101 và kỹ thuật học liên kết (federated learning). Qua quá trình thực nghiệm, ResNet101 được xác định là mô hình hiệu quả nhất, đạt điểm F1 ấn tượng 92% trên tập dữ liệu hình ảnh của mã độc PE. Khi tích hợp mô hình ResNet101 vào thiết lập học liên kết, kết quả thực nghiệm cho thấy tiềm năng triển khai đáng kể, đặc biệt trong trường hợp dữ liệu IID, với chỉ số F1-score đạt 91.80%. Điều này phản ánh khả năng tổng quát hóa tốt của mô hình khi dữ liệu được phân phối đồng đều giữa các thiết bị khách. Tuy nhiên, trong môi trường dữ liệu non-IID, mô hình gặp phải những thách thức đáng kể, khi F1-score chỉ đạt 54.87%. Sự chênh lệch đáng kể này chủ yếu xuất phát từ sự phân bố không đồng đều của các mẫu mã độc giữa các thiết bị khách, dẫn đến hiện tượng thiên lệch trong quá trình cập nhật trọng số cục bộ. Đặc biệt, các lớp mã độc có sự mất cân bằng về tần suất xuất hiện khiến mô hình khó khăn trong việc học và tổng quát hóa trên toàn bộ tập dữ liệu.
Trân trọng.
Thông tin chi tiết xem tại:
Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin
