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

本文提出了一种基于上下文的 Inductive Logic Programming (归纳逻辑编程) 扩展方法，通过结构化背景知识建模上下文依赖，进一步提出了一种新的算法 ILASP2i，应用于具有大量例子的学习任务，与传统方法 ILASP2 相比，同时保持平均正确率的情况下，速度提高了两个数量级，内存使用量减小了两个数量级，从而极大地提高了系统的可扩展性。

Aug, 2016

本文提出了一种新的学习框架，“从有序答案集学习”，它允许在答案集编程（ASP）中学习弱约束条件，它是在归纳逻辑编程领域的一项贡献，我们提出了一种新的算法 ILASP2，它基于正常规则、选择规则、硬约束和弱约束等假设，能够有效地学习 ASP 程序，尤其是在学习 ASP 没有弱约束条件的程序时，相对于之前的方法能够更加高效。

Jul, 2015

本文提出了一种噪声容忍的 ILASP3 系统，并在合成和现实数据集上评估该系统的性能，包括学习从答案集语义中的常识知识以及将其推广到更复杂的数据集、与不同框架的模型进行比较等。

Aug, 2018

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

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

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