神经符号系统需要从多个专家或知识源中挑选出与当前查询最相关的答案。随着知识网络规模的扩大，仅使用相关专家才能保证准确性和可扩展性。我们把相关性的定义从法律证据理论中引入：答案只有在对当前问题既具证明力（probative）又实质性（material）时才算相关。\
在实际操作中，每个专家用反馈模糊认知图（FCM）表示其因果认知结构，这些有向图可以混合成一个公共的知识网络。混合过程先计算各专家在给定输入下的平衡或极限环预测，然后通过答案之间的差异或变异度评估其证明力。\
我们提出了一条类似贝叶斯定理的公式用于“去混合”，将整体混合的 FCM 拆解为对应的后验 FCM：
$$ P(F_i\mid Q) = \frac{w_i \cdot P_i(Q)}{\sum_j w_j \cdot P_j(Q)} $$
其中 $w_i$ 为专家 $i$ 的相关性混合权重，$P_i(Q)$ 为该专家在查询 $Q$ 下的预测分布。该式既能量化每个专家的贡献，又能在不同查询间动态调整权重，从而得到查询特定的相关性混合 FCM。\
实验使用一个真实的 13 节点 FCM 模型——缺血性卒中风险因果图——生成若干合成专家 FCM。对比混合前后各专家的平衡预测与混合网络的输出，验证了相关性权重能够显著提升答案的准确性和鲁棒性。\
点评：本文将法律证据中的相关性概念巧妙移植到模糊认知图的混合框架，提出的贝叶斯式去混合公式为多专家系统提供了可解释的权重分配机制，且在医学风险评估场景中展示了良好的实用性。