本研究提出了一种结合模糊推理与贝叶斯网络的群体决策系统，针对多目标属性的决策问题。通过构建模糊规则库和分层贝叶斯网络，优化后验概率聚合，结果表明该方法在分类精度和一致性排名上优于传统方法，验证了其在多种决策场景中的有效性和可靠性。

本研究提出了自适应动态属性和规则（ADAR）框架，以应对高维数据在神经模糊推理系统中的挑战。该框架通过自适应权重整合属性和规则，结合自动生长和修剪策略，简化模糊模型，提升性能和可解释性。实验结果表明，ADAR模型在多个数据集上表现优越，具有广泛的应用潜力。

本文探讨大型语言模型（LLMs）在逻辑推理中的表现，提出FRODO框架以提高推理步骤的可靠性。研究表明，FRODO在鲁棒性和泛化能力上优于其他方法，并通过新数据集LFUD评估LLMs的逻辑谬误理解能力。实验结果显示，LLMs在复杂推理任务中仍存在困难，需进一步改进。