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。

本文介绍了一个新的基准FRoG，用于评估模糊推理。实验结果显示大型语言模型在处理模糊推理方面仍面临挑战，并且现有的增强推理方法在涉及模糊逻辑的任务中性能提升不一致。研究还发现大型语言模型在FRoG上的逆比例缩放效应，并证明强大的数学推理技能并不一定能在基准测试中取得成功。