本文提出了一种用于从数据中挖掘约束条件的一般框架，该框架以整数线性规划问题的形式考虑结构化输出预测中的推断，然后通过估计可行集的外部和内部多面体来挖掘底层约束条件，并在各种合成和现实应用中验证了所提出的约束挖掘算法。

Jun, 2020

提出了一种基于整数线性规划的结构化推理系统，利用半结构化知识库来回答自然语言问题，并且在真实科学问题数据集中，性能优于以前使用 Markov 逻辑网络和 ILP 系统，同时结合非结构化推理方法可以大幅提高系统性能

Apr, 2016

本研究通过整数规划方案和贪心算法等方法，从离散数据中学习 Bayesian 网络，在实验结果中取得了和之前相比有着巨大的改进。

Sep, 2013

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

该研究论文旨在研究一种简单版本的普通非线性整数问题，其中所有约束仍为线性，重点在于问题的计算复杂度，涵盖了针对更一般类问题的最新成功方法。

Jun, 2009

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

应用深度强化学习技术提升整数规划问题求解算法中割平面方法 (Cutting Plane Method) 的性能表现。通过对算法的智能自适应选择，和其在分支定界算法 (Branch-and-Cut algorithm) 中的应用，表现出在各种不同规模的样例和不同的整数规划问题中，训练出来的深度 RL 代理能显著的超过人类设计的启发式方法。

Jun, 2019

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

通过使用对数障碍项而不是二次惩罚项和神经网络的优化问题解决方案，实现了优化问题的解决方案，结果表明其效果与基于二次规划任务损失的公式以及 SPO 方法一样好，甚至更好。

Oct, 2020