该研究论文介绍了归纳逻辑程序设计的目标，提出了一种新的程序学习方法，能够更广泛地适用于偏爱学习，包括默认和异常情况的通识知识，并学习非确定性理论。同时，论文还总结了程序的演变历程，特别强调了可伸缩性。

May, 2020

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

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

本文提出了一种新的归纳逻辑编程 (ILP) 系统 Brute，利用基于示例的损失函数来引导搜索，该方法可以帮助 Brute 在机器人规划、字符串转换、ASCII 艺术等不同的程序综合领域中显著优于现有的 ILP 系统，学习程序的大小也比现有的最先进系统增加了 20 倍。

Apr, 2020

通过发现假设约束来提高学习效率和可扩展性，我们提出了基于约束驱动的规约归纳逻辑编程系统，对多个领域进行了实验，证明其可以显著缩短学习时间并扩展到具有数百万事实的领域。

Feb, 2022