本研究通过引入多任务学习、约束保持和课程学习等技术改进了 Popper ILP 系统，实验结果表明这些优化手段对于提高系统性能和推广基于逻辑程序的机器学习应用具有重要意义。

Aug, 2022

本文提出了一种用于从数据中挖掘约束条件的一般框架，该框架以整数线性规划问题的形式考虑结构化输出预测中的推断，然后通过估计可行集的外部和内部多面体来挖掘底层约束条件，并在各种合成和现实应用中验证了所提出的约束挖掘算法。

Jun, 2020

利用约束驱动的归纳逻辑编程系统，通过组合一组小的、不可分离的程序来学习递归程序，并且实现谓词发明，在游戏玩法和程序合成等多个领域的实验表明，该方法在预测准确率和学习时间上明显优于现有方法，有时将学习时间从一小时以上缩短到几秒钟。

Jun, 2022

这篇论文介绍了基于冲突驱动的归纳逻辑编程方法， 主要使用 Answer Set Programs（ASP）进行学习， 以提高可扩展性，并提出了可以处理噪声数据集的 ILASP3 和 ILASP4 系统。

Dec, 2020

本文探讨了归纳逻辑编程在机器学习中的应用，这种方法通过从数据中归纳逻辑程序来解决机器学习中普遍存在的泛化性不佳、可解释性不足和需要大量训练数据等问题，重点介绍了从少量样例中推广递归程序的新方法，学习背景知识的新方法以及使用不同技术，特别是应答器编程和神经网络。

Feb, 2020

本文提出了一种基于监督学习的变量排序策略，针对工厂车间问题进行求解，通过分类与回归模型预测问题实例的最优解，从而优化约束规划求解器的变量搜索顺序，并表明该方法表现优异，且与传统的基于领域的方法结合的混合策略效果更佳。

Nov, 2022

本文基于概率约束编程模型，提出了一种基于对数线性概率模型的参数估计和查询概率约束编程模型中最可能的分析方法，并提供了适用于大数据空间的合适的近似方法。

Nov, 1997

该论文介绍了基于模型的一种新方法，使用对称解决方案的学习框架来解决复杂的 Partner Units Problem 问题，尤其在电子行业中的应用具有实际意义。

May, 2022

使用约束逻辑编程 (CL) 对 SQL 查询进行建模，通过关注语义属性来对数据无关的抽象层进行建模，以发现可能存在的错误。该方法使用不同的约束域，这些约束域映射到 SQL 类型，并提出它们协作以提高准确性，最终我们获得一个包括 SQL 和 Datalog 的演绎系统并在课堂上实现它，和其他方法相比，表现出巨大的优势和差异，并展示其性能数据。

Jul, 2019

该研究介绍了一种基于归纳逻辑编程的学习模型，通过生成、测试和约束三个阶段，不断迭代优化假设（逻辑程序），提高学习性能，其中 Popper 系统在多个领域的实验中表现突出。

May, 2020