本文提出了一种通过深度递归神经网络解决归纳逻辑编程问题的新模式，其中解决方案基于可微分的向前链推论的实现，在分类任务中得出了较好的性能表现，支持递归和谓词创造等理想特性。

Jun, 2019

我们提出了一种将可区分的神经逻辑网络应用于关系强化学习领域，以解决动态连续环境中的问题。该模型更新了架构，使其能够在连续强化学习环境中解决问题，并通过引入非线性连续谓词来改进当前的归纳逻辑编程方法，允许关系强化学习代理在动态和连续的环境中进行推理和决策。

Aug, 2023

提出一种高效、可解释的神经符号模型来解决归纳逻辑编程问题，并通过实验验证其性能。

Dec, 2021

该研究提出了一种新型神经逻辑架构，可以解决归纳逻辑编程和深度强化学习问题，其能够提供完全可解释的解决方案并能够在测试阶段得到更好的运行表现。

Feb, 2021

本文采用学习解释框架为归纳逻辑编程算法进行扩展，以提高其表达能力并保持其效率，旨在比较归纳逻辑编程与属性 - 值学习技术之间的权衡，研究数据集的规模问题，并进一步扩展了命题学习的表达能力。所涉及的两种 ILP 系统 Tilde-classic 和 Tilde-LDS 的实验结果表明，Tilde-LDS 能够处理大规模数据集并且具有线性可扩展性。

Nov, 2000

介绍了一种支持学习高阶程序的元解释学习技术，实验结果表明，与学习一阶程序相比，学习高阶程序可以显着提高预测准确性并降低学习时间。

Jul, 2019

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

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

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

该论文提出了一种可微分实现的逻辑程序学习框架，包括自适应子句搜索、基本命题枚举算法和柔和的程序合成方法，能够学习噪声和结构化的例子，试验表明该框架可以适应复杂的多子句程序。

Mar, 2021