Advancing Mediative Fuzzy Logic for Complex Decision-Making Systems

•Mediative Fuzzy Logic (MFL) 最初由作者於 2005 年提出，旨在管理模糊系統設計中多位專家之間可能存在的矛盾知識，並提供一個調解方案。
•MFL 被視為直覺模糊邏輯 (Intuitionistic Fuzzy Logic, IFL) 的擴展，並屬於一種次協調模糊邏輯 (paraconsistent fuzzy logic)，能夠有效處理矛盾的知識。
•調解運算子 (mediative operator) 被描述為一種由猶豫和矛盾所控制的凸聚合 (convex aggregation)。
•MFL 已被應用於醫療診斷領域，例如心臟病、糖尿病和 COVID-19 疫情預測，透過結合多位醫學專家的知識來改進診斷結果。
•將 MFL 擴展到 type-2 和 type-3 模糊邏輯，旨在提高模糊控制器處理來自控制過程中噪音的不確定性的能力，其中 type-3 版本在許多情況下表現優於 type-1 和 type-2 版本。

調解運算子 (Mediative Operator)：被描述為一種由猶豫和矛盾所控制的凸聚合。
真值建模 (Truth Value Modeling)：調解真值被建模為連續雙格結構 (continuous bilattice-like structure) 中的獨立真假對。
命題系統 (Propositional System)：透過調解連接詞 (mediative connective) 擴展了標準的 t-範數 (t-norm) 模糊邏輯，並建立了其完備性 (soundness)、次協調性 (paraconsistency) 和對底層模糊基礎的保守性 (conservativity)。
擴展 (Extensions)：
- 區間 Type-2 (Interval Type-2)：語義上擴展到區間 Type-2 真值。
- 粒度 Type-3 (Granular Type-3)：語義上擴展到粒度索引的局部評估。
- 量子 (Quantum)：語義上擴展到希爾伯特空間 (Hilbert spaces) 上的效應 (effects) 和密度運算子 (density operators)。
自動煞車應用 (Application in Autonomous Braking)：該框架支援在不完整、異質和輕微矛盾的證據下，做出透明、保守且安全優先的決策。在適當的假設下，高階公式可以簡化為 Type-1 情況。

調解模糊邏輯將成為高度不確定和安全關鍵型 AI 系統中穩健決策的標準。

其處理矛盾和異質證據的數學能力，結合向高階模糊邏輯和量子設定的擴展，使其特別適用於傳統方法可能失效的複雜自主系統。

量子概念與調解模糊邏輯的整合將為 AI 在處理高度複雜和模糊資訊方面開啟新的能力。

量子邏輯為模糊邏輯運算的語義提供了見解，並提供了一個與人類認知過程相符的不確定性建模框架，可能導致更精密的 AI 決策。

調解模糊邏輯將透過為複雜決策提供透明的、基於規則的推理，來增強大數據分析中的可解釋 AI (XAI)。

其基於語言變數和明確處理矛盾的基礎，可以產生更具可解釋性的模型，解決複雜機器學習系統中的「黑箱」問題。

1965

Lotfi Zadeh 引入模糊集（現稱為 Type-1）。

1975

Lotfi Zadeh 提出 Type-2 模糊集，以將成員函數的不確定性納入其中。

2005

Mediative Fuzzy Logic (MFL) 由作者（Montiel 等人）首次提出。

2008

Montiel、Castillo、Melin 和 Sepulveda 在《Soft Computing》上發表了「Mediative Fuzzy Logic: A New Approach for Contradictory Knowledge Management」。

2023-10

Oscar Castillo 和 Patricia Melin 發表「Proposal for Mediative Fuzzy Control: From Type-1 to Type-3」，將 MFL 擴展到 Type-2 和 Type-3 以應用於控制問題。

2026-05

當前文章「Mediative Fuzzy Logic: From Type-1 Foundations to Type-2, Type-3 and Quantum Extensions」在 ArXiv 上發表。

推動用於複雜決策系統的 Mediative Fuzzy Logic