[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_hi%E1%BB%87u%20su%E1%BA%A5t%20nh%E1%BA%ADn%20di%E1%BB%87n{\"limit\":5}":3,"_public_topic_byId_hi%E1%BB%87u%20su%E1%BA%A5t%20nh%E1%BA%ADn%20di%E1%BB%87n":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":17,"englishTitle":18,"synonyms":19,"definition":23,"discipline":24,"references":25,"faqs":46,"createUser":56,"publishUser":60,"keywords":64,"keywordCount":75,"enrichTopicLink":76,"status":77,"createTime":78,"updateTime":79,"publishTime":80,"linkEnrichedTime":81,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":82,"wikidataId":10,"relateTopics":83},"hiệu suất nhận diện","Hiệu suất nhận diện là gì? Các bài báo nghiên cứu khoa học","Hiệu suất nhận diện là chỉ số đo lường khả năng của một hệ thống trong việc phân loại đúng các đối tượng đầu vào dựa trên dữ liệu đã học. Nó thường được biểu diễn bằng tỉ lệ phần trăm mẫu nhận diện chính xác và có thể kết hợp với các chỉ số như precision, recall và F1-score để đánh giá toàn diện hơn. ","\u003Cp>\u003Cstrong>Hiệu suất nhận diện\u003C\u002Fstrong> (\u003Cem>recognition performance\u003C\u002Fem>) là thước đo định lượng cốt lõi trong thị giác máy tính, sinh trắc học và trí tuệ nhân tạo, phản ánh năng lực của mô hình phân loại trong việc phát hiện, so khớp và phân loại chính xác các đối tượng mục tiêu từ tín hiệu đầu vào phức tạp.\u003C\u002Fp>\n\u003Cp>\nThông thường, hiệu suất nhận diện được biểu diễn bằng tỉ lệ phần trăm số lượng mẫu được nhận diện đúng trên tổng số mẫu thử nghiệm. Công thức tính chuẩn là:\n\u003Cscript type=\"math\u002Ftex\">\\text{Accuracy} = \\frac{\\text{Số mẫu nhận diện đúng}}{\\text{Tổng số mẫu kiểm thử}} \\times 100\\%\u003C\u002Fscript>.\nChỉ số này càng cao thì mô hình càng hoạt động tốt. Tuy nhiên, trong nhiều trường hợp, accuracy không phản ánh đầy đủ độ tin cậy của hệ thống, đặc biệt trong các tập dữ liệu mất cân bằng.\n\u003C\u002Fp>\n\u003Cp>\nHiệu suất còn có thể được mở rộng với các chỉ số như Top-k Accuracy trong các {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20th%E1%BB%91ng%20ph%C3%A2n%20lo%E1%BA%A1i%22%7D}} nhiều lớp. Ví dụ, Top-5 Accuracy đánh giá khả năng đúng khi nhãn đúng nằm trong 5 dự đoán hàng đầu của mô hình. Đây là phương pháp phổ biến trong các thử thách như ImageNet.\n\u003C\u002Fp>\n\n\u003Ch2>Phân biệt với độ chính xác (Precision) và độ bao phủ (Recall)\u003C\u002Fh2>\n\u003Cp>\nHiệu suất nhận diện thường bị nhầm lẫn với precision (độ chính xác) và recall (độ bao phủ), mặc dù chúng là các khái niệm khác nhau trong đánh giá mô hình. Precision là tỉ lệ giữa các mẫu được phân loại đúng trên tổng số mẫu mà mô hình dự đoán là thuộc lớp đó:\n\u003Cscript type=\"math\u002Ftex\">\\text{Precision} = \\frac{\\text{TP}}{\\text{TP + FP}}\u003C\u002Fscript>.\nTrong khi đó, recall đo lường khả năng phát hiện đúng các mẫu thực sự thuộc lớp đó:\n\u003Cscript type=\"math\u002Ftex\">\\text{Recall} = \\frac{\\text{TP}}{\\text{TP + FN}}\u003C\u002Fscript>.\n\u003C\u002Fp>\n\u003Cp>\nKhi precision và recall được kết hợp lại, ta có F1-score – chỉ số trung bình điều hòa được dùng rộng rãi trong {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20lo%E1%BA%A1i%20d%E1%BB%AF%20li%E1%BB%87u%22%2C%22text%22%3A%22b%C3%A0i%20to%C3%A1n%20ph%C3%A2n%20lo%E1%BA%A1i%22%7D}} mất cân bằng:\n\u003Cscript type=\"math\u002Ftex\">\\text{F1} = 2 \\times \\frac{\\text{Precision} \\times \\text{Recall}}{\\text{Precision + Recall}}\u003C\u002Fscript>.\nCác chỉ số này giúp {{topic|%7B%22topic%22%3A%22%C4%91%C3%A1nh%20gi%C3%A1%20hi%E1%BB%87u%20su%E1%BA%A5t%22%7D}} nhận diện từ nhiều góc độ thay vì chỉ dựa vào accuracy.\n\u003C\u002Fp>\n\u003Cp>\nBảng so sánh sau giúp làm rõ sự khác biệt:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Chỉ số\u003C\u002Fth>\n      \u003Cth>Định nghĩa\u003C\u002Fth>\n      \u003Cth>Thích hợp khi nào?\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Accuracy\u003C\u002Ftd>\n      \u003Ctd>Tỉ lệ mẫu đúng trên toàn bộ\u003C\u002Ftd>\n      \u003Ctd>Tập dữ liệu cân bằng\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Precision\u003C\u002Ftd>\n      \u003Ctd>Tỉ lệ đúng trong dự đoán dương\u003C\u002Ftd>\n      \u003Ctd>Muốn tránh báo động giả\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Recall\u003C\u002Ftd>\n      \u003Ctd>Tỉ lệ phát hiện đúng các mẫu thực\u003C\u002Ftd>\n      \u003Ctd>Muốn giảm bỏ sót mẫu\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>F1-score\u003C\u002Ftd>\n      \u003Ctd>Trung bình điều hòa giữa Precision và Recall\u003C\u002Ftd>\n      \u003Ctd>Dữ liệu mất cân bằng\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>\nTham khảo thêm tại \u003Ca href=\"https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fcrash-course\u002Fclassification\u002Fprecision-and-recall\" target=\"_blank\">Google ML Crash Course\u003C\u002Fa>.\n\u003C\u002Fp>\n\n\u003Ch2>Hiệu suất nhận diện trong học sâu (Deep Learning)\u003C\u002Fh2>\n\u003Cp>\nTrong các mô hình học sâu, hiệu suất nhận diện thường là yếu tố quyết định để lựa chọn và triển khai mô hình vào thực tế. Các mạng neuron như CNN (Convolutional {{topic|%7B%22topic%22%3A%22m%E1%BA%A1ng%20n%C6%A1%20ron%20nh%C3%A2n%20t%E1%BA%A1o%22%2C%22text%22%3A%22Neural%20Network%22%7D}}) thường được áp dụng trong các bài toán thị giác máy tính, nơi các lớp nhận diện học trực tiếp từ ảnh đầu vào mà không cần trích xuất thủ công đặc trưng.\n\u003C\u002Fp>\n\u003Cp>\nMột ví dụ điển hình là mô hình ResNet hoặc EfficientNet, khi huấn luyện trên ImageNet, có thể đạt Top-1 Accuracy lên tới hơn 80%. Các mô hình này đạt được hiệu suất cao nhờ vào độ sâu mạng lớn, kết hợp với kỹ thuật chuẩn hóa, dropout và khởi tạo trọng số thông minh.\n\u003C\u002Fp>\n\u003Cp>\nTuy nhiên, hiệu suất cao không đồng nghĩa với khả năng khái quát tốt. Các mô hình deep learning thường dễ bị overfitting nếu không được huấn luyện trên dữ liệu đủ đa dạng. Việc đánh giá hiệu suất nhận diện trên cả tập kiểm thử và dữ liệu thực tế (in-the-wild) là cần thiết để phản ánh đúng khả năng ứng dụng của hệ thống.\n\u003C\u002Fp>\n\n\u003Ch2>Chỉ số hiệu suất trong hệ thống nhận diện sinh trắc\u003C\u002Fh2>\n\u003Cp>\nTrong các hệ thống sinh trắc học như {{topic|%7B%22topic%22%3A%22nh%E1%BA%ADn%20di%E1%BB%87n%20khu%C3%B4n%20m%E1%BA%B7t%22%7D}}, vân tay hoặc mống mắt, hiệu suất nhận diện được đánh giá theo các chỉ số chuyên biệt:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>False Accept Rate (FAR)\u003C\u002Fstrong>: Tỉ lệ nhận sai người không hợp lệ là đúng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>False Reject Rate (FRR)\u003C\u002Fstrong>: Tỉ lệ từ chối sai người hợp lệ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Equal Error Rate (EER)\u003C\u002Fstrong>: Tỉ lệ tại điểm FAR và FRR bằng nhau – chỉ số tổng hợp cho hiệu suất nhận diện.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nCân bằng giữa FAR và FRR là vấn đề then chốt trong triển khai hệ thống thực tế. Ví dụ, trong hệ thống {{topic|%7B%22topic%22%3A%22ki%E1%BB%83m%20so%C3%A1t%20truy%20c%E1%BA%ADp%22%7D}} bằng sinh trắc, FRR cao có thể gây bất tiện cho người dùng, trong khi FAR cao dẫn đến lỗ hổng bảo mật.\n\u003C\u002Fp>\n\u003Cp>\nCác chỉ số trên được biểu diễn trực quan qua biểu đồ ROC (Receiver Operating Characteristic), trong đó trục tung là TPR (True Positive Rate), trục hoành là FPR (False Positive Rate). Điểm trên đường cong ROC càng gần góc trên trái càng tốt.\n\u003C\u002Fp>\n\u003Cp>\nTài liệu khuyến nghị: \u003Ca href=\"https:\u002F\u002Fnvlpubs.nist.gov\u002Fnistpubs\u002FLegacy\u002FIR\u002Fnistir7296.pdf\" target=\"_blank\">NIST: Biometric Performance Testing\u003C\u002Fa>.\n\u003C\u002Fp>\n\u003Ch2>Ảnh hưởng của tập dữ liệu đến hiệu suất\u003C\u002Fh2>\n\u003Cp>\nChất lượng tập dữ liệu huấn luyện và kiểm thử có tác động trực tiếp đến hiệu suất nhận diện. Một mô hình tốt không thể bù đắp cho dữ liệu huấn luyện sai lệch, thiếu tính đa dạng hoặc có nhãn không chính xác. Các yếu tố như độ phân bố lớp, mức độ nhiễu, độ đa dạng về bối cảnh và ánh sáng đều ảnh hưởng lớn đến {{topic|%7B%22topic%22%3A%22kh%E1%BA%A3%20n%C4%83ng%20k%E1%BA%BFt%20h%E1%BB%A3p%20chung%22%2C%22text%22%3A%22kh%E1%BA%A3%20n%C4%83ng%20t%E1%BB%95ng%20qu%C3%A1t%20h%C3%B3a%22%7D}} của mô hình.\n\u003C\u002Fp>\n\u003Cp>\nTrong nhiều nghiên cứu, khi một mô hình được huấn luyện trên dữ liệu chệch (biased dataset), hiệu suất đo được cao trên tập kiểm thử nhưng giảm nghiêm trọng khi triển khai ngoài thực tế. Hiện tượng này được gọi là \"dataset shift\". Do đó, việc xây dựng hoặc chọn lựa bộ dữ liệu tiêu chuẩn là điều kiện tiên quyết để đánh giá công bằng hiệu suất.\n\u003C\u002Fp>\n\u003Cp>\nMột số bộ dữ liệu thường dùng để đánh giá hiệu suất nhận diện:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>MNIST\u003C\u002Fstrong> – chữ số viết tay (nhận diện ký tự đơn giản)\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>CIFAR-10\u002F100\u003C\u002Fstrong> – hình ảnh phân loại đa lớp\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>ImageNet\u003C\u002Fstrong> – dữ liệu hình ảnh với hơn 1 triệu ảnh thuộc 1.000 lớp\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>LFW\u003C\u002Fstrong> – nhận diện khuôn mặt ngoài môi trường kiểm soát\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>COCO\u003C\u002Fstrong> – phân loại và {{topic|%7B%22topic%22%3A%22ph%C3%A1t%20hi%E1%BB%87n%20%C4%91%E1%BB%91i%20t%C6%B0%E1%BB%A3ng%22%7D}} trong bối cảnh phức tạp\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Hiệu suất trên tập huấn luyện, kiểm thử và thực tế\u003C\u002Fh2>\n\u003Cp>\nĐể đánh giá hiệu suất một cách toàn diện, cần phân biệt giữa các loại dữ liệu dùng trong huấn luyện và kiểm thử. Cụ thể, hiệu suất của mô hình nên được theo dõi trên ba loại tập chính:\n\u003C\u002Fp>\n\u003Cp>\n\u003C\u002Fp>\u003Col>\n  \u003Cli>\u003Cstrong>Tập huấn luyện (Training set)\u003C\u002Fstrong>: Là dữ liệu mô hình học từ đó. Hiệu suất cao trên tập này không có nghĩa mô hình hoạt động tốt.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tập kiểm định (Validation set)\u003C\u002Fstrong>: Dùng trong quá trình huấn luyện để điều chỉnh siêu tham số. Nó giúp phát hiện overfitting hoặc underfitting.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tập kiểm thử (Test set)\u003C\u002Fstrong>: Được giữ riêng để đánh giá cuối cùng. Đây là chỉ số đại diện cho hiệu suất thực tế trên dữ liệu chưa từng thấy.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nNgoài ra, dữ liệu “in-the-wild” – dữ liệu thu thập từ môi trường thực tế, thường có nhiều biến động và nhiễu – mới là thước đo cuối cùng để kiểm chứng khả năng triển khai mô hình. Khoảng cách giữa hiệu suất trên test set và in-the-wild có thể cho thấy mô hình có thực sự ổn định hay chỉ phù hợp với dữ liệu phòng thí nghiệm.\n\u003C\u002Fp>\n\n\u003Ch2>Chiến lược cải thiện hiệu suất nhận diện\u003C\u002Fh2>\n\u003Cp>\nKhi hiệu suất nhận diện chưa đạt yêu cầu, có nhiều chiến lược kỹ thuật có thể áp dụng để cải thiện. Một số hướng tiếp cận phổ biến bao gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Tăng dữ liệu\u003C\u002Fstrong>: Thu thập thêm dữ liệu thực hoặc sử dụng kỹ thuật tăng cường dữ liệu (data augmentation) như xoay, lật, thay đổi độ sáng, để mô phỏng sự đa dạng trong môi trường thực.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Regularization\u003C\u002Fstrong>: Áp dụng dropout, L1\u002FL2 regularization để tránh overfitting.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Transfer learning\u003C\u002Fstrong>: Sử dụng mô hình đã được huấn luyện trước trên tập lớn (ví dụ ImageNet), sau đó tinh chỉnh lại trên dữ liệu hiện tại.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Ensemble learning\u003C\u002Fstrong>: Kết hợp nhiều mô hình để giảm sai lệch từng cá thể.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nViệc cải thiện hiệu suất cần được kiểm tra nghiêm ngặt bằng cách đo lại các chỉ số (accuracy, F1, precision, recall) và kiểm thử trên nhiều điều kiện dữ liệu để đảm bảo hiệu quả bền vững, tránh {{topic|%7B%22topic%22%3A%22b%C3%A0i%20to%C3%A1n%20t%E1%BB%91i%20%C6%B0u%22%2C%22text%22%3A%22t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%22%7D}} giả tạo (overfitting to metric).\n\u003C\u002Fp>\n\n\u003Ch2>Đánh giá hiệu suất qua biểu đồ và số liệu\u003C\u002Fh2>\n\u003Cp>\nBên cạnh các chỉ số định lượng, biểu đồ trực quan đóng vai trò quan trọng trong việc diễn giải và hiểu hiệu suất nhận diện. Ba công cụ phổ biến nhất là:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Ma trận nhầm lẫn (Confusion Matrix)\u003C\u002Fstrong>: Hiển thị số lượng mẫu đúng\u002Fsai theo từng lớp. Giúp phát hiện lớp nào mô hình hay nhầm lẫn.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Đường cong ROC\u003C\u002Fstrong>: Phản ánh mối quan hệ giữa TPR và FPR. Diện tích dưới đường cong (AUC) càng gần 1 thì mô hình càng tốt.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Đường cong Precision-Recall\u003C\u002Fstrong>: Thích hợp hơn ROC khi {{topic|%7B%22topic%22%3A%22d%E1%BB%AF%20li%E1%BB%87u%20kh%C3%B4ng%20c%C3%A2n%20b%E1%BA%B1ng%22%7D}}.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nVí dụ ma trận nhầm lẫn đơn giản cho bài toán phân loại 3 lớp:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Thực tế \\ Dự đoán\u003C\u002Fth>\n      \u003Cth>Lớp A\u003C\u002Fth>\n      \u003Cth>Lớp B\u003C\u002Fth>\n      \u003Cth>Lớp C\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Lớp A\u003C\u002Ftd>\n      \u003Ctd>50\u003C\u002Ftd>\n      \u003Ctd>5\u003C\u002Ftd>\n      \u003Ctd>2\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Lớp B\u003C\u002Ftd>\n      \u003Ctd>3\u003C\u002Ftd>\n      \u003Ctd>47\u003C\u002Ftd>\n      \u003Ctd>4\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Lớp C\u003C\u002Ftd>\n      \u003Ctd>1\u003C\u002Ftd>\n      \u003Ctd>2\u003C\u002Ftd>\n      \u003Ctd>52\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>So sánh hiệu suất giữa các mô hình\u003C\u002Fh2>\n\u003Cp>\nKhi nhiều mô hình được đào tạo và thử nghiệm, việc so sánh hiệu suất phải được thực hiện trên cùng một tập kiểm thử và bằng cùng chỉ số đo lường. Không thể so sánh accuracy của mô hình A trên dataset 1 với mô hình B trên dataset 2.\n\u003C\u002Fp>\n\u003Cp>\nMỗi chỉ số phản ánh một góc nhìn khác nhau. Ví dụ:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Accuracy cao nhưng F1 thấp: Có thể do dữ liệu không cân bằng.\u003C\u002Fli>\n  \u003Cli>Precision cao, recall thấp: Mô hình rất thận trọng, tránh sai lầm nhưng bỏ sót nhiều trường hợp.\u003C\u002Fli>\n  \u003Cli>F1 cao: Cho thấy sự cân bằng giữa precision và recall.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nMột mô hình đơn giản với ít tham số đôi khi vẫn có thể đạt hiệu suất tương đương mô hình lớn nếu được tối ưu hóa tốt. Do đó, lựa chọn mô hình không chỉ dựa vào hiệu suất mà còn dựa trên chi phí triển khai, tốc độ xử lý và khả năng mở rộng.\n\u003C\u002Fp>","Hiệu suất nhận diện","Recognition performance",[20,21,22],"độ chính xác nhận diện","hiệu năng nhận dạng","recognition accuracy","Hiệu suất nhận diện là tập hợp các chỉ số định lượng đánh giá mức độ chính xác và tin cậy của một hệ thống thị giác máy tính, xử lý ngôn ngữ hoặc nhận dạng mẫu trong việc gán đúng nhãn cho dữ liệu đầu vào.","ENGINEERING_TECHNOLOGY",[26,33,40],{"citationText":27,"title":28,"authors":29,"source":30,"year":31,"doi":32,"url":32},"Clausner, Pletschacher, Antonacopoulos (2020). Flexible character accuracy measure for reading-order-independent evaluation. Pattern Recognition Letters.","Flexible character accuracy measure for reading-order-independent evaluation","Clausner, Pletschacher, Antonacopoulos","Pattern Recognition Letters",2020,"https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.patrec.2020.02.003",{"citationText":34,"title":35,"authors":36,"source":37,"year":38,"doi":39,"url":39},"Liu, Haralick (2002). Optimal matching problem in detection and recognition performance evaluation. Pattern Recognition.","Optimal matching problem in detection and recognition performance evaluation","Liu, Haralick","Pattern Recognition",2002,"https:\u002F\u002Fdoi.org\u002F10.1016\u002Fs0031-3203(01)00204-7",{"citationText":41,"title":42,"authors":43,"source":37,"year":44,"doi":45,"url":45},"Huang et al. (2024). Customized meta-dataset for automatic classifier accuracy evaluation. Pattern Recognition.","Customized meta-dataset for automatic classifier accuracy evaluation","Huang, Zhang, Huang, Wu, Huang, Zhong, Wang",2024,"https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.patcog.2023.110026",[47,50,53],{"question":48,"answer":49},"Các chỉ số cơ bản dùng để đo lường hiệu suất nhận diện là gì?","Bao gồm: Độ chính xác (Accuracy), Độ nhạy (Recall\u002FSensitivity), Độ đặc hiệu (Specificity), Giá trị dự đoán dương (Precision), Điểm F1 (F1-score), và Diện tích dưới đường cong ROC (AUC-ROC).",{"question":51,"answer":52},"Tỷ lệ chấp nhận sai (FAR) và tỷ lệ từ chối sai (FRR) có mối quan hệ đánh đổi như thế nào trong sinh trắc học?","FAR (chấp nhận kẻ giả mạo) và FRR (từ chối người dùng hợp lệ) luôn nghịch biến theo ngưỡng quyết định; hạ thấp ngưỡng giúp giảm FRR nhưng làm tăng FAR và ngược lại. Điểm mà FAR bằng FRR được gọi là Tỷ lệ lỗi cân bằng (Equal Error Rate - EER), chỉ số chính xác then chốt của hệ thống.",{"question":54,"answer":55},"Tại sao độ chính xác tổng thể (Accuracy) không phản ánh đúng hiệu suất trên tập dữ liệu mất cân bằng?","Trong tập dữ liệu mất cân bằng trầm trọng (như phát hiện gian lận hay bệnh hiếm với 99% mẫu âm tính), một mô hình tầm thường luôn dự đoán âm tính vẫn đạt độ chính xác 99% nhưng hoàn toàn vô dụng; khi đó F1-score và đường cong Precision-Recall (PRC) là thước đo tin cậy hơn nhiều.",{"id":57,"researcherId":10,"name":58,"imageUrl":59},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":61,"researcherId":10,"name":62,"imageUrl":63},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[65,66,67,68,69,70,71,72,73,74],"hệ thống phân loại","phân loại dữ liệu","đánh giá hiệu suất","mạng nơ ron nhân tạo","nhận diện khuôn mặt","kiểm soát truy cập","khả năng kết hợp chung","phát hiện đối tượng","bài toán tối ưu","dữ liệu không cân bằng",10,true,"PUBLISHED","2025-10-10T02:43:57.996+00:00","2026-09-16T06:09:03.458+00:00","2025-10-15T01:51:11.379+00:00","2026-09-16T06:09:01.550+00:00",176,[84,87,90,93,96,99,102,105,108,111],{"id":85,"title":86,"term":85,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":88,"title":89,"term":88,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"trắc nghiệm khách quan","Trắc nghiệm khách quan là gì? Các công bố khoa học về Trắc nghiệm khách quan",{"id":91,"title":92,"term":91,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"tối ưu hoá","Tối ưu hoá là gì? Các nghiên cứu khoa học về Tối ưu hoá",{"id":94,"title":95,"term":94,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"simulation","Simulation là gì? Các nghiên cứu khoa học về mô phỏng",{"id":97,"title":98,"term":97,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"acute toxicity","Acute toxicity là gì? Các nghiên cứu khoa học về Acute toxicity",{"id":100,"title":101,"term":100,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nhân trắc học","Nhân trắc học là gì? Các công bố khoa học về Nhân trắc học",{"id":103,"title":104,"term":103,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"optimization","Optimization là gì? Các nghiên cứu khoa học về Optimization",{"id":106,"title":107,"term":106,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ontology","Ontology là gì? Các bài báo nghiên cứu khoa học về Ontology",{"id":109,"title":110,"term":109,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"competency assessment","Competency assessment là gì? Các nghiên cứu khoa học",{"id":112,"title":113,"term":112,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thuật toán xấp xỉ","Thuật toán xấp xỉ là gì? Các bài nghiên cứu khoa học"]