本文提出了一种基于梯度的规则学习系统——模糊规则推理器 (FRR)，旨在解决优化和可扩展性挑战，同时保持基于规则模型的透明性和可解释性。与现有的神经模糊方法不同，FRR 通过利用语义上有意义的模糊逻辑分割和充分的（单规则）决策来最大化可解释性。通过对 40 个数据集的广泛评估，FRR 表现出优于现有基于规则的方法（平均准确率比 RIPPER 提高 5%），与基于树的模型的准确率相当（规则库规模缩小 90%），并达到了最先进的基于加法规则模型 96% 的准确率（规则库规模仅为 RIPPER 的 3%）。
