- EXPIL：游戏学习中的解释性谓词创造
通过自我发明谓词来减少对预先定义背景知识的依赖，从而实现对逻辑代理的可解释行为。
- 否定和谓词创造中的泛化
该研究介绍一种归纳逻辑编程方法，结合否定和谓词发明，以应对从少量例子中推广的挑战，在多个领域的试验结果表明，该方法改善了预测精度和学习时间。
- 高维空间中的可微归纳逻辑编程
介绍了一种利用高维梯度下降和大规模谓词发明来实现基于归纳逻辑编程的合成的方法，该方法获得了超过现有神经符号逻辑编程系统成就的符号解。
- 通过合并程序学习程序
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。
- AAAI通过分割、限制和征服学习逻辑程序
本文介绍一种采用经典分治搜索和现代约束驱动搜索相结合的归纳逻辑编程方法，可以学习最优、递归和大型程序，支持谓词发明，并在三个领域的实验中展示了该方法可以提高预测准确性和缩短学习时间。
- IJCAI从失败中学习的谓词创新
本文介绍了一种基于答案集编程的归纳逻辑编程系统――POPPl，用于解决谓词发明问题，实验证明谓词发明可以显著提高学习性能，POPPI 相对于其他归纳逻辑编程系统具有优越性能。
- IJCAI归纳逻辑编程：30 年回顾
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 - 学习高阶逻辑程序
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。
- 通过可微分深度神经逻辑网络进行归纳逻辑编程
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。
- 通过神经逻辑网络学习算法
提出了一种基于布尔逻辑代数的深度神经网络学习模型，建立了神经逻辑网络模型，可以显式地学习和解释逻辑函数，特别是用于归纳逻辑编程问题的新框架。通过在测试任务上的表现比较，证明了所提供的模型在元素算法任务上的有效性，并且可用于一些基准任务，如有