本研究提出了一种新方法，将论证框架（$AF$s）编码为不同逻辑系统中的公式，增强了$AF$s与逻辑的联系，为新方程语义的构建提供了新思路。

通过改进 Interval Type-2 Fuzzy Logic Systems (FLSs) 来提高高风险场景下的预测区间 (Prediction Intervals) 生成，包括增加 Karnik-Mendel (KM) 和 Nie-Tan (NT) 方法的灵活性、通过参数化技巧解决大规模学习挑战、对抗维度灾难问题，以及引入高维 Takagi-Sugeno-Kang...

本论文通过采用 Zadeh 的 GT2 Fuzzy Set 定义，旨在学习能够在高精确度下可靠地实现高品质预测区间的 General Type-2 Fuzzy Logic Systems，并通过整合 Z-GT2-FS 与 α-plane 表示法来增加 GT2-FLS 的设计灵活性，提供了学习高维数据的解决方案，并发展了一个具有高性能的学习双重关注的 Z-GT2-FLS...

本文提出了一种嵌入到深度学习领域的计算高效的模糊逻辑系统（FLS）学习方法，通过提供计算高效的 FLS 实现，最小化训练时间并利用深度学习框架中提供的小批量优化器和自动微分机制，解决了 FLS 学习的挑战，并在基准数据集上展示了深度学习框架在 FLS 中的高效性。