我々は、機能ベースの物体認識システムに埋め込まれたファジーメンバーシップ関数のためにラベル付けされたトレーニング例を使うシステム（ＯＭＬＥＴ）を紹介した。ファジーメンバーシップ関数は、物体カテゴリーの機能記述にどれだけ形状が適しているかの評価測定値を提供するために使われた。我々は、正確に自動的にシステムパラメータを学ぶことが可能であることを示した。さもなければ人間の専門家によって提供されなければならなかったであろう。ＯＭＬＥＴはＧＲＵＦＦ物体認識システムのための他の物体カテゴリーの構築を助けるのに使われるであろう。専門家は、システム性能を向上するための範囲パラメータを手でひねり出すことに集中する必要がなく、ＯＭＬＥＴによって示される物体例の良いセットが提供される。これは、我々が物体カテゴリーから提供される例によって認識させたいとＧＲＵＦＦに望む物体の記述が得られるということにおいて、直感的に魅力的である。
この章で記述された学習アプローチは、木構造を組み合わせることでどんな特性（あるいは他の値）の他のシステムに適応できるはずである。２つの葉が直接ＰＯＲノードを導く場合を除いて、全てのケースが、我々のアプローチでカバーされている。しかしながら、この状態を処理するためのＰＯＲノードの取り扱いのための我々の方法の一般化は開発されるであろう。ＧＲＵＦＦの木構造は、完全に確率積と確率和ノードで構成されており、組み合わせた測定値で使われた。類似のアプローチが、Ｔ－ｎｏｒｍかＴ－ｃｏｎｏｒｍの別のタイプで木構造が適応でき、使用することが可能である。