介绍了归纳逻辑编程 (ILP) 的基本概念、学习模式、框架和几个主要系统 (Aleph，TILDE，ASPAL，和 Metagol)，并概括了应用、限制和研究方向。

Aug, 2020

归纳逻辑编程是基于逻辑的机器学习的一种形式，目的是归纳出一种假设（逻辑程序），该假设概括给定的训练示例。作为归纳逻辑编程的三十年，我们回顾了过去十年的研究，我们关注新的元级别搜索方法、学习递归程序的技术，以及谓词发明的新方法和不同技术的使用，并探讨了归纳逻辑编程的当前限制和未来研究方向。

Feb, 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

本文研究如何使用 SHAP 等解释 AI 工具代替固定的假设搜索空间来进行归纳逻辑程序的学习，通过替换数据依赖的山地爬行搜索法以获得更精确和全面的 SVM 模型，从而生成比 FOIL 算法更好的分类结果和逻辑程序，为机器学习领域的算法研究和应用提供了新的思路。

Aug, 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

本文介绍了 Inductive Logic Programming (ILP) 技术，探讨了基于 Answer Set Programming 的 XHAIL 算法扩展，研究表明这种方法在自然语言处理的词块切分任务上达到了类似于现有最先进算法的效果。

Jun, 2017

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

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

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

研究发现，虽然有已有的可扩展离散随机变量的分布语义和 PLP 语言及标准推理引擎，但是对于混合离散和连续随机变量的声明性语义还不够普及，因此本文提出了混合分布语义和混合 PLP 语言 DC-ProbLog 及其基于知识编译的推理引擎 infinitesimal algebraic likelihood weighting (IALW)，这是第一个基于知识编译的混合概率编程推理算法。

Feb, 2023