提出了一种专家循环训练框架 ALICE，它利用对比的自然语言解释来提高学习的数据效率，通过提取和动态更改学习模型的结构来应用于鸟类物种分类和社会关系分类两个视觉识别任务中，验证结果表明，相较于使用 40-100% 更多的训练数据的基线模型，应用对比解释后的模型效果更加出色，而添加一个解释获得的性能增益与添加 13-30 个标记训练数据点的性能增益相当。

Sep, 2020

提出一种使用归纳逻辑编程的程序合成系统来解决抽象与推理语料库（ARC）的方法。通过定义一个与 ARC 相关的领域特定语言（DSL）和逻辑程序，该系统能够通过少量示例任务进行泛化和推理，从而解决需要不同推理方法的 ARC 中的任务。

May, 2024

本文提出了一种降低描述逻辑推理器调用次数的概念归纳算法，从而提高执行时间，尤其在其他系统速度过慢的情况下，可作为现有系统的有效替代方案，同时在许多情况下，正确率仍然很高。

Dec, 2018

通过产生多个抽象假设并将其转化为具体的 Python 程序，进而为大型语言模型提高归纳推理能力，并利用自动生成的摘要或人工筛选的候选集来过滤生成的程序，从而在归纳推理任务中实现更高的准确性。

Sep, 2023

本文介绍了一种基于进化式学习的方法 ——EvoLearner 来学习知识图谱知识，并对这种方法在数据属性上提供了新的支持，同时通过 SML-Bench 基准框架展示了其显著的性能优势。

Nov, 2021

通过引入高阶抽象概念来发现新颖的抽象是实现人工智能的重要任务。我们介绍了一种发现高阶抽象（例如映射、过滤和折叠）的方法，并以归纳逻辑编程为重点，通过示例和背景知识归纳出逻辑程序。我们在 STEVIE 中实现了我们的方法，将高阶重构问题作为约束优化问题来处理。在多个领域（包括程序合成和视觉推理）上的实验结果表明，与不进行重构相比，STEVIE 可以提高预测准确性 27%，并减少学习时间 47%。我们还展示了 STEVIE 能够发现可应用于不同领域的抽象概念。

Aug, 2023

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

本文提出了一种能够利用归纳逻辑程序系统 ALEPH 所得到的逻辑规则来解释分类器决策的方法，并利用图像生成方法 LIME 进行实例和背景知识的学习，通过图像展示了该方法的应用，证明了该方法能够识别图像中的关系，并生成更丰富的解释。

Oct, 2019

该论文介绍了一种名为 LAPS 的技术，它使用自然语言注释来引导库和神经引导搜索模型的联合学习，以实现程序的归纳合成。与一些自然语言注释不可用的测试时间相比，LAPS 可生产高质量的程序库并提高搜索效率和泛化性。

Jun, 2021

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