Inductive Learning for Possibilistic Logic Programs Under Stable Models
Multi-dimensional data perception and intelligent recognition Chongqing Engineering Research Center, Chongqing University of Arts and Sciences, Chongqing, 402160, China（重庆艺术科技大学智能识别多维数据感知工程研究中心）；College of Computer Science and Technology, Guizhou University, Guiyang, 550025, China（贵州大学计算机科学与技术学院）；State Key Laboratory of Public Big Data（公共大数据国家重点实验室）；Key Laboratory of Advanced Medical Imaging（先进医学影像重点实验室）；Institute for Artificial Intelligence, Guizhou University, Guiyang, 550025, China（贵州大学人工智能研究所）；School of Information and Communication Technology, Griffith University, QLD 4111, Australia（格里菲斯大学信息与通信技术学院）
本文提出了一种基于稳定模型的可能逻辑程序归纳学习方法，通过定义归纳任务并设计算法，实现了从背景程序和示例中提取可能逻辑程序的功能。
2025-10-08 cs.AI
Parallel Constraint-Driven Inductive Logic Programming
University of Oxford（牛津大学）；University of Cambridge（剑桥大学）
多核机器无处不在。然而，大多数归纳逻辑程序设计（ILP）方法仅使用单个核，这严重限制了它们的可扩展性。为了解决这个问题，我们引入了基于约束驱动的ILP并行技术，其目标是积累约束来限制假设空间。我们在两个领域（程序合成和归纳一般的游戏）的实验表明，（一）并行化可以大大减少学习时间，和（ii）工人的沟通（即共享约束）是很重要的良好的性能。
2021-09-15 cs.AI cs.LG
Inductive logic programming at 30: a new introduction
University of Oxford（牛津大学）；TU Delft（代尔夫特理工大学）
归纳逻辑程序设计（ILP）是机器学习的一种形式。ILP的目标是归纳出一个假设（一组逻辑规则）来概括训练样本。随着ILP的30岁生日，我们为该领域提供了一个新的介绍。我们介绍了必要的逻辑符号和主要的学习设置;描述了ILP系统的构建模块;比较了几个系统的几个维度;描述了四个系统（Aleph，TILDE，ASPAL和Metagol）;突出重点应用领域;最后，总结了当前的限制和未来研究的方向。
2022-03-22 cs.AI cs.LG
Conflict-driven Inductive Logic Programming
ILASP Limited（ILASP有限公司）
归纳逻辑程序设计（ILP）的目标是学习一个解释一组示例的程序。直到最近，大多数关于ILP的研究都是针对学习Prolog程序的。ILASP系统学习答案集程序（ASP）。学习这种表达程序大大拓宽了ILP的适用性;例如，使偏好学习，学习常识知识，包括默认和异常，以及学习非确定性理论。ILASP的早期版本可以被认为是元级ILP方法，它将学习任务编码为逻辑程序，并将搜索委托给ASP求解器。最近，ILASP已经转向一种新的方法，受到冲突驱动的SAT和ASP求解器的启发。该方法的基本思想，称为迭代驱动的ILP（CDILP），是迭代交错搜索的假设与生成的约束，解释为什么当前的假设不包括一个特定的例子。这些覆盖范围限制允许ILASP不仅排除当前假设，而且排除不满足覆盖范围限制的整个假设类别。本文形式化的CDILP方法，并提出了ILASP 3和ILASP 4系统的CDILP，这被证明是更可扩展的比以前的ILASP系统，特别是在存在噪声。逻辑程序设计理论与实践（TPLP）
2022-01-14 cs.AI
Probabilistic Inductive Logic Programming Based on Answer Set Programming
National University of Ireland, Galway（爱尔兰国立大学戈尔韦）
提出了一种新的基于回答集编程（ASP）的概率知识表达形式语言。它允许注释一阶公式以及ASP规则和具有概率的事实，并从数据中学习这些权重（参数估计）。加权公式给出了一个语义方面的软，硬约束，决定了概率分布的答案集。在相关的方法相比，我们的方法推理可选地利用所谓的精简XOR约束，以减少计算的答案集的数量。我们的方法是原型实现。举例说明了引入的概念，并指出了未来研究的问题和主题。
2014-05-04 cs.AI
Symmetry breaking for inductive logic programming
本研究提出了一种在归纳逻辑编程中打破对称性的方法，通过答案集编程实现，显著提升了在视觉推理和游戏玩法等领域的求解效率。
2026-01-23 cs.AI cs.LG
Inductive logic programming at 30
University of Oxford（牛津大学）；KU Leuven（鲁汶大学）；Imperial College London（伦敦帝国理工学院）
归纳逻辑程序设计（ILP）是一种基于逻辑的机器学习。目标是归纳出一个假设（一个逻辑程序），概括给定的训练样本。在ILP 30岁之际，我们回顾了过去十年的研究。我们专注于（i）新的元级搜索方法，（ii）学习递归程序的技术，（iii）谓词发明的新方法，以及（iv）使用不同的技术。最后，我们讨论了目前的ILP的局限性和未来的研究方向。
2021-09-22 cs.AI cs.LG
Inductive Logic Boosting
Nanjing University（南京大学）
近年来，人们对概率逻辑编程（PLP）和统计关系学习（SRL）模型的兴趣激增，这些模型将逻辑与概率相结合。这些系统的结构学习是归纳逻辑程序设计（ILP）和统计学习（SL）的交叉领域。然而，ILP不能处理概率，SL不能建模关系假设。集成这两个机器学习框架的最大挑战是如何仅从对接地逻辑原子的观察来估计逻辑子句的概率。现有的联合概率建模方法将子句表示为图模型，文字表示为图模型中的顶点，这种模型仍然过于复杂，只能用伪似然来近似。我们提出了归纳逻辑提升框架，将关系数据集转换为基于特征的数据集，通过提升Problog规则树来归纳逻辑规则，放松伪似然的独立性约束。在基准数据集上的实验结果表明，ILP学习规则的AUC-PR和AUC-ROC值高于当前最先进的SRL方法。
2014-02-25 cs.AI cs.LG
Inductive Logic Programming via Differentiable Deep Neural Logic Networks
Georgia Institute of Technology（佐治亚理工学院）
提出了一种新的范式，通过深度递归神经网络解决归纳逻辑程序设计（ILP）问题。这个建议的ILP求解器的设计基础上，通过正向链接的演绎微分实现。与以往的大多数方法不同，本文通过引入一种新的可微神经逻辑（dNL）网络，直接学习符号逻辑谓词规则，而不是使用一些限制性规则模板搜索可能的一阶逻辑规则空间。所提出的dNL网络能够以显式的方式有效地学习和表示布尔函数。我们表明，建议的dNL-ILP求解器支持理想的功能，如递归和谓词发明。此外，我们研究了所提出的ILP求解器在涉及基准关系数据集的分类任务中的性能。特别是，我们表明，我们提出的方法在Mutagenesis，Cora和IMDB数据集的分类任务中优于最先进的ILP求解器。
2019-06-08 cs.AI cs.LO
A Logic for Non-Monotone Inductive Definitions
著名的归纳法原理包括单调归纳法和各种非单调归纳法，如膨胀归纳法、良基集上的归纳法和迭代归纳法。在这项工作中，我们定义了一个逻辑形式化归纳良好的基础集和单调和迭代归纳。正如正归纳原理已在FO（LFP）中形式化，膨胀归纳原理已在FO（IFP）中形式化一样，本文在一种新的非单调归纳定义逻辑（ID-逻辑）中形式化了迭代归纳原理。逻辑的语义受到逻辑编程的良基语义的强烈影响。我们的主要结果是关于ID逻辑中归纳定义的模性质。具体而言，我们制定的条件下，同时定义$\D$的几个关系是逻辑上等同于一个连接的较小的定义$\D_1 \land ... \land \D_n$与不相交的定义谓词。这个结果的困难来自这样一个事实，即分别在$\D_i$和$\D_j$中定义的谓词$P_i$和$P_j$可以通过同时归纳相互连接。由于良基语义下的逻辑程序设计和溯因逻辑程序设计是我们的逻辑的适当片段，我们的模块性结果也适用于那里。
2005-01-13 cs.AI cs.LO
Turning 30: New Ideas in Inductive Logic Programming
University of Oxford（牛津大学）；KU Leuven（鲁汶大学）；Imperial College London（帝国理工学院）
对最先进的机器学习的常见批评包括泛化能力差、缺乏可解释性以及需要大量训练数据。我们调查最近的工作在归纳逻辑程序设计（ILP），一种形式的机器学习，诱导逻辑程序从数据，这表明在解决这些限制的承诺。我们专注于学习递归程序，概括从几个例子，从手工制作的背景知识，\emph{learning}背景知识的转变，并使用不同的技术，特别是答案集编程和神经网络的新方法。随着ILP接近30，我们还讨论了未来的研究方向。
2020-04-22 cs.AI cs.LG
Inductive Logical Query Answering in Knowledge Graphs
Mila（米拉研究所）；McGill University（麦吉尔大学）；Université de Montréal（蒙特利尔大学）；Stanford University（斯坦福大学）；HEC Montréal（蒙特利尔高等商学院）
制定和回答逻辑查询是知识图谱（KG）的标准通信接口。神经方法通过学习实体、关系和查询的表示，减轻了现实世界KG的不完整性，在链接预测和复杂查询回答任务中取得了令人印象深刻的结果。尽管如此，大多数现有的查询应答方法依赖于转换实体嵌入，并且在不重新训练实体嵌入的情况下不能推广到包含新实体的KG。在这项工作中，我们研究了归纳查询应答任务，其中推理是在一个包含新实体的图上进行的，查询既可以看到，也可以看到实体。为此，我们设计了两种机制，利用由图神经网络（GNNs）驱动的归纳节点和关系结构表示。实验表明，归纳模型能够在推理时对看不见的节点进行逻辑推理，并将其推广到比训练图大500%的图。探索效率-有效性权衡，我们发现归纳关系结构表示方法通常具有更高的性能，而归纳节点表示方法能够在仅推理的情况下回答复杂的查询，而无需对查询进行任何训练，并且可以扩展到数百万节点的图形。代码可在https://github.com/DeepGraphLearning/InductiveQE上获得。
2022-11-08 cs.AI cs.LG
Building Rules on Top of Ontologies for the Semantic Web with Inductive Logic Programming
Università degli Studi di Bari（巴里大学）
在本体之上构建规则是语义Web逻辑层的最终目标。为此，目前正在讨论一种用于这一层的特别标记语言。它的目的是遵循传统的混合知识表示和推理系统，如$\mathcal{AL}$ -日志，集成了描述逻辑$\mathcal{ALC}$和无函数霍恩子句语言\textsc{Datalog}。在本文中，我们考虑的问题，这些规则的语义Web的自动化收购。我们提出了一个通用的规则归纳框架，采用归纳逻辑程序设计的方法装置，并依赖于$\mathcal{AL}$ -log的表达和演绎能力。无论归纳的范围（描述与预测）如何，该框架都是有效的。然而，为了说明的目的，我们还讨论了一个实例化的框架，其目的是描述和原来是有用的本体精化。关键词：归纳逻辑程序设计，混合知识表示和推理系统，本体，语义网。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2007-11-12 cs.AI cs.LG
Differentiable Inductive Logic Programming in High-Dimensional Space
Czech Academy of Sciences Institute of Computer Science（捷克科学院计算机科学研究所）；University of Innsbruck（因斯布鲁克大学）；University of Melbourne（墨尔本大学）
本文扩展 δILP，利用高维梯度下降实现大规模谓词发明，使可微归纳逻辑程序设计能在不预设解结构的情况下解决现有神经符号 ILP 系统无法完成的任务。
2025-01-08 cs.AI cs.LO
Towards Probabilistic Inductive Logic Programming with Neurosymbolic Inference and Relaxation
TNO（荷兰应用科学研究组织）
针对传统ILP无法处理概率背景知识的问题，提出Propper框架，结合神经符号推理、连续假设选择标准（BCE）和约束松弛（NoisyCombo），能从极少示例中学习并优于现有模型。
2024-09-20 cs.AI cs.LG
Preprocessing in Inductive Logic Programming
Linacre College University of Oxford（牛津大学李纳克尔学院）
归纳逻辑程序设计是一种机器学习，其中逻辑程序从示例中学习。这种学习通常相对于作为逻辑程序提供的某些背景知识发生。本文介绍了底层预处理，一种在ILP系统必须考虑的程序上生成初始约束的方法。底层预处理将逆蕴涵的思想应用于现代ILP系统。逆蕴涵是Progol引入的一种有影响力的早期ILP方法。本文还提出了$\bot$ -Popper，它是现代ILP系统Popper的底层预处理的一个实现.实验表明，底层预处理可以减少ILP系统在困难问题上的学习时间。当问题中的背景知识量很大时，这种减少可能特别显著。
2021-12-21 cs.AI cs.LG cs.LO
Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks
IBM Research（IBM研究院）
神经符号归纳逻辑程序设计的最新工作已经导致了有前途的方法，可以从嘈杂的，真实世界的数据中学习解释规则。虽然一些建议近似的逻辑运算符与可微运算符从模糊或实值逻辑是无参数的，从而减少了他们的能力，以适应数据，其他方法只是松散的逻辑，使其难以解释学习的“规则”。在本文中，我们提出了学习规则与最近提出的逻辑神经网络（LNN）。与其他神经网络相比，LNN提供了与经典布尔逻辑的强连接，从而允许精确解释学习的规则，同时包含可以使用基于梯度的优化来训练的参数，以有效地拟合数据。我们将LNN扩展到一阶逻辑中的归纳规则。我们对标准基准测试任务的实验证实，LNN规则具有高度的可解释性，并且由于其灵活的参数化，可以达到相当或更高的精度。
2021-12-06 cs.AI cs.LG cs.LO
Improving Scalability of Inductive Logic Programming via Pruning and Best-Effort Optimisation
Sabanci University（萨班哲大学）；Marmara University（马尔马拉大学）
归纳逻辑程序设计（ILP）通过学习包括给定搜索空间的背景知识和约束的一组规则的假设来组合基于规则的和统计的人工智能方法。我们专注于扩展的XHAIL算法的ILP，这是基于答案集编程，我们评估我们的扩展使用自然语言处理应用程序的句子组块。在处理自然语言方面，ILP可以满足我们日常使用语言方式的不断变化。同时，ILP不需要大量的训练样本，如其他统计方法，并产生可解释的结果，这意味着一组规则，可以分析和调整，如果必要的。作为贡献，我们扩展了XHAIL（i）假设泛化算法中的修剪机制，可以从更大的数据集学习，（ii）使用最近开发的优化方法更好地使用现代求解器技术，以及（iii）允许使用次优结果的时间预算。我们使用最近SemEval比赛的三个数据集来评估这些改进。结果表明，我们的改进允许在更大的数据集上学习，其结果与相同任务的最先进系统具有相似的质量。此外，我们比较了在数据集上获得的假设，以了解每个数据集的结构。
2017-06-16 cs.AI
A Clustering and Demotion Based Algorithm for Inductive Learning of Default Theories
The University of Texas at Dallas（得克萨斯大学达拉斯分校）
我们提出了一个聚类和降级为基础的算法称为Kmeans-FOLD诱导非单调逻辑程序从正面和负面的例子。我们的算法改进上，并受到启发的FOLD算法。FOLD算法本身是对FOIL算法的改进。与FOLD算法相比，我们的算法生成更简洁的逻辑程序。我们的算法使用基于K-means的聚类方法聚类的输入正样本之前，应用FOLD算法。在中间步骤中被部分学习的程序覆盖的正例不像在FOLD算法中那样被丢弃，而是被降级，即，它们的权重在算法的后续迭代中减小。我们在UCI数据集上的实验表明，K-Means聚类和我们的降级策略相结合，对具有多个正例聚类的数据集产生了显着的改善。由此产生的诱导程序也更简洁，因此更容易理解的FOLD和ALEPH系统相比，两个国家的最先进的归纳逻辑程序设计（ILP）系统。
2021-09-26 cs.AI
PrASP Report
本技术报告描述了概率归纳逻辑程序设计框架PrASP的用法、语法、语义和核心算法。PrASP是一个研究软件，它集成了基于答案集编程（ASP）的非单调推理，概率推理和参数学习。与传统的概率（归纳）逻辑编程方法相比，我们的框架对概率逻辑程序只施加了很少的限制。特别地，PrASP允许ASP以及一阶逻辑语法，并且允许用点概率以及区间概率来注释公式。一系列可广泛配置的推理算法可以以类似流水线的方式组合，以覆盖各种用例。
2016-12-30 cs.AI
Learning Onto-Relational Rules with Inductive Logic Programming
规则补充和扩展了语义Web上的本体。我们将这些规则称为本体关系，因为它们结合了基于DL的本体语言和支持逻辑编程和演绎数据库传统内的关系数据模型的知识表示形式。规则编写是一项要求非常高的知识工程任务，可以通过应用机器学习算法来部分自动化。在这一章中，我们将展示归纳逻辑程序设计（ILP），诞生于机器学习和逻辑程序设计的交叉点，并被认为是关系学习的主要方法，可以适应本体关系学习。为了说明，我们提供了一个具体的本体关系学习解决方案的问题，学习基于规则的定义DL概念和角色与ILP的细节。
2012-10-29 cs.AI cs.DB cs.LG
Logic Attention Based Neighborhood Aggregation for Inductive Knowledge Graph Embedding
Sun Yat-sen University（中山大学）；Tencent AI Lab（腾讯人工智能实验室）；Wuhan University（武汉大学）
知识图谱嵌入的目的是用低维向量对实体和关系进行建模。大多数以前的方法要求在训练期间应该看到所有实体，这对于每天都有新实体出现的真实世界知识图谱是不切实际的。最近在这个问题上的努力建议结合传统的实体和关系嵌入来训练邻域聚合器，这可以帮助通过它们现有的邻居来归纳地嵌入新的实体。然而，他们的邻居聚集器忽略了一个实体的邻居的无序和不平等的性质。为此，我们总结了所需的属性，可能导致有效的邻域聚合器。我们还介绍了一种新的聚合器，即逻辑注意力网络（LAN），它通过聚合邻居与规则和基于网络的注意力权重来解决这些属性。通过与传统聚合器在两个知识图谱完成任务上的比较，我们实验验证了LAN在所需属性方面的优越性。
2020-10-04 cs.AI cs.CL
Temporal Inductive Logic Reasoning over Hypergraphs
Georgia Institute of Technology（佐治亚理工学院）；Cisco（思科公司）
本文提出时序归纳逻辑推理方法TILR，通过多起点随机B游走和路径一致性算法在时序超图上学习逻辑规则，并发布两个新基准数据集，实验证明其推理能力优于多种强基线。
2024-05-05 cs.AI cs.LG cs.LO
Learning logic programs through divide, constrain, and conquer
University of Oxford（牛津大学）
我们介绍了一个归纳逻辑程序设计的方法，结合了经典的分治搜索与现代的约束驱动搜索。我们的随时随地的方法可以学习最优的，递归的，和大型的程序，并支持谓词发明。我们在三个领域（分类，归纳一般的游戏，和程序合成）的实验表明，我们的方法可以提高预测精度，减少学习时间。
2021-12-07 cs.AI cs.LG
Resource Constrained Dialog Policy Learning via Differentiable Inductive Logic Programming
Facebook（脸书）
针对资源受限的对话策略学习的需要，提出了基于可微归纳逻辑的对话策略。我们在SimDial和MultiWoZ上探索了使用DIRECT进行一次性学习和zero-shot域转移的任务。使用来自餐厅领域的单个代表性对话，我们在SimDial数据集上训练DIRECT，并获得99+%的域内测试准确度。我们还表明，训练的DIRECT zero-shot转移到所有其他领域的99+%的准确性，证明DIRECT插槽填充对话框的适用性。我们进一步将我们的研究扩展到MultiWoZ数据集，实现了90%以上的信息和成功指标。我们还观察到，这些指标没有捕捉到DIRECT在误报方面的一些缺点，这促使我们测量辅助Action F1分数。我们表明，DIRECT的数据效率比MultiWoZ上最先进的神经方法高出100倍，同时实现了类似的性能指标。最后，我们讨论了DIMENSIONAL的优点和缺点。
2020-11-10 cs.AI cs.CL
Incremental Learning of Event Definitions with Inductive Logic Programming
National Center for Scientific Research “Demokritos”（“德谟克利特”国家科学研究中心）；National University of Athens（雅典国立大学）；University of Piraeus（比雷埃夫斯大学）
事件识别系统依赖于事件定义的适当设计的知识库来及时推断事件的发生。这种知识的手动开发是一项繁琐且容易出错的任务，因此基于事件的应用程序可以受益于自动化知识构建技术，例如归纳逻辑程序设计（ILP），其将机器学习与一阶逻辑的声明性和形式语义相结合。然而，学习时态逻辑形式主义，这通常是利用基于逻辑的事件识别系统是一个具有挑战性的任务，大多数ILP系统不能完全承担。此外，基于事件的数据通常是大量的，并且是在不同的时间和不同的情况下收集的。理想情况下，从时态数据中学习的系统应该能够以增量模式运行，也就是说，在面对新证据时修改先前构建的知识。大多数ILP系统都是批量学习者，在这个意义上，为了解释新的证据，他们别无选择，只能忘记过去的知识，从头开始学习。考虑到ILP固有的复杂性增加和现实生活中的时态数据量，这导致算法的可扩展性差。在这项工作中，我们提出了一个增量的方法，学习和修改基于事件的知识，在事件演算程序的形式。所提出的算法依赖于溯因-归纳学习，并包括一个可扩展的条款细化方法，基于压缩总结的条款覆盖的例子流。我们提出了一个实证评估我们的方法对真实的和合成数据从活动识别和城市交通应用。
2014-11-22 cs.AI cs.LG
Inductive Logic Programming in Databases: from Datalog to DL+log
Università degli Studi di Bari（巴里大学）
在本文中，我们解决了一个问题，已经引起了数据库社区的注意，随着语义Web的出现，即本体论（和它们所传达的语义）如何帮助解决典型的数据库问题的问题，通过更好地了解KR方面相关的数据库。特别是，我们调查这个问题，从ILP的角度考虑两个数据库的问题，（i）的定义的意见和（ii）的定义的约束，为数据库的模式表示也通过本体。两者都可以重新表述为ILP问题，并可以受益于KR框架DL+log的表达和演绎能力。我们通过实例说明了应用场景。关键词：归纳逻辑程序设计，关系数据库，本体，描述逻辑，混合知识表示和推理系统。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2010-03-12 cs.AI cs.DB cs.LG
"Would life be more interesting if I were in AI?" Answering Counterfactuals based on Probabilistic Inductive Logic Programming
Ludwig-Maximilians-Universität München（慕尼黑大学）
本文针对概率逻辑程序在反事实推理中的不足，提出一种语言片段，可从诱导分布重构程序，从而学习支持反事实查询的模型。
2023-08-30 cs.AI cs.LG cs.LO
Imparo is complete by inverse subsumption
在完整解释归纳的逆包容中，Yamamoto等人研究了哪些归纳逻辑程序设计系统可以通过使用逆包容而不是逆蕴涵来学习正确的假设$H$。证明了归纳逻辑程序设计系统Imparo是关于确定背景理论$B$和基原子实例$E$学习正确的确定假设$H$的逆包含完备系统，建立了$B$和$E$存在一个连接理论$T$，使得$H$包含$T$ .
2014-07-14 cs.AI
Efficient predicate invention using shared "NeMuS"
Federal University of Amazonas（亚马逊联邦大学）；City, University of London（伦敦城市大学）
Amao是一个认知代理框架，与归纳逻辑程序设计（ILP）方法（如元解释学习（MIL）技术）的最新进展相比，它采用不同的策略来处理谓词的发明。它使用神经多空间（NeMuS）图结构来反统一来自Herbrand基的原子，这通过了归纳动量检查。归纳子句学习（ICL），因为它是所谓的，在这里扩展使用的逻辑组件的权重，已经存在于NeMuS，支持归纳学习扩展子句候选人与反统一的原子。实现了一种有效的发明机制，包括学习递归假设，同时通过添加偏见定义或语言特质来限制假设的形状。
2019-06-15 cs.AI
Differentiable Inductive Logic Programming for Structured Examples
Kyoto University（京都大学）；NTT Communication Science Laboratories（NTT通信科学实验室）
逻辑的可微分实现产生了符号推理和深度神经网络的无缝组合。最近的研究，开发了一个可微的框架来学习逻辑程序的例子，甚至可以获得合理的解决方案，从嘈杂的数据集。然而，这个框架严重限制了解决方案的表达，例如，不允许使用函数符号，子句的形状是固定的。因此，该框架不能处理结构化的示例。因此，我们提出了一个新的框架，学习逻辑程序从嘈杂和结构化的例子，包括以下贡献。首先，我们提出了一种自适应子句搜索方法，通过结构化的空间，这是由条款的一般性定义，以产生一个有效的搜索空间可微求解器。其次，我们提出了地面原子的枚举算法，它确定了一个必要的和充分的地面原子执行可微推理功能。最后，我们提出了一种新的软组织逻辑程序的方法，使系统能够处理由多个子句组成的复杂程序。我们的实验表明，我们的新框架可以从有噪和结构化的示例（例如序列或树）中学习逻辑程序。我们的框架可以扩展到处理复杂的程序，包括几个条款的功能符号。
2021-03-02 cs.AI cs.LG
SLDNFA-system
SLDNFA系统来自K.U.Leuven的LP+项目，该项目研究了用于声明性知识表示的逻辑和这些逻辑的证明过程。在这个项目中，归纳定义逻辑（ID逻辑）被用作表示逻辑。不同的求解器正在开发这种逻辑，其中之一是SLDNFA。该系统的原型是可用的，并用于调查如何有效地解决问题的ID逻辑表示。
2000-03-08 cs.AI
InductWave: Inductive Multi-Hop Logical Query Answering on Knowledge Graphs
IIIT-Delhi（印度信息技术学院德里分校）；Vrije Universiteit（自由大学）；Ellis Institute Finland（芬兰埃利斯研究所）；Åbo Akademi University（奥卢大学）；IIT Palakkad（印度理工学院帕拉卡德分校）
研究知识图谱上逻辑多跳查询回答问题，提出基于小波的归纳嵌入方法InductWave，在训练图节点数少于测试图时，以较少消息传递层实现与基线模型相当表现，多数情况更优，能在大规模图上评估，优于现有模型。
2026-07-09 cs.AI cs.IR
Generating Contrastive Explanations for Inductive Logic Programming Based on a Near Miss Approach
University of Bamberg（班贝格大学）
在最近的研究中，人类可以理解的机器学习模型解释受到了广泛关注。解释通常以模型简化或可视化的形式给出。然而，正如认知科学和早期人工智能研究所显示的那样，概念理解也可以通过将概念的给定实例与类似的反例对齐来提高。将一个给定的实例与一个结构相似但不属于该概念的实例进行对比，突出了概念成员资格所必需的特征。温斯顿（Winston，1970）提出了这种近乎失败的学习方法，作为关系领域学习的有效指导。我们介绍了一个解释生成算法的关系概念与归纳逻辑程序设计（\textsc{GeNME}）。该算法从给定的一组实例中识别出近距离错过的实例，并根据这些实例与特定正实例的接近程度对这些实例进行排名。一个修改后的规则，它涵盖了近距离错过，但不是原来的情况下，作为一个解释。我们说明\textsc{GeNME}与著名的家庭域组成的亲属关系，视觉关系温斯顿拱门域和现实世界的域处理文件管理。我们还提出了一个心理实验，比较人类的偏好，基于规则的，基于例子的，和近错过的解释在家庭和拱门域。
2021-06-15 cs.AI cs.LG
Lifting Symmetry Breaking Constraints with Inductive Logic Programming
University of Klagenfurt（克拉根福大学）；Graz University of Technology（格拉茨工业大学）
有效地省略对称的解决方案的候选人是必不可少的组合问题的解决。大多数现有的方法是特定于实例的，并专注于自动计算对称破缺约束（SBC）为每个给定的问题实例。然而，这种方法应用于大规模的实例或高级问题编码可能是有问题的，因为计算的SBC是命题的，因此，既不能被有意义地解释，也不能被转移到其他实例。因此，在每次调用求解器之前，必须对SBC进行耗时的重新计算。为了克服这些限制，我们引入了一个新的面向模型的方法，答案集编程，升降机的小问题实例的SBC到一组可解释的一阶约束，使用归纳逻辑程序设计范式。实验表明，我们的框架学习的能力，从实例特定的SBC的组合问题的集合的一般约束。所得到的结果表明，我们的方法显着优于一个国家的最先进的具体实例的方法，以及直接应用的求解器。
2021-12-23 cs.AI cs.LG cs.LO
Differentiable Inductive Logic Programming for Fraud Detection
University of Amsterdam（阿姆斯特丹大学）；ILLC & IvI, University of Amsterdam（阿姆斯特丹大学ILLC与IvI研究院）
本研究探讨可微归纳逻辑编程（DILP）在欺诈检测中的适用性，通过数据整理提升其可用性，结果显示其性能与传统及新型方法相当，同时指出其局限、改进方向及递归规则学习等潜在优势场景。
2024-10-29 cs.AI cs.LG q-fin.RM
From Circuit Evidence to Mechanistic Theory: An Inductive Logic Approach
Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系）；Idiap Research Institute（Idiap研究机构）；CRUK National Biomarker Centre, University of Manchester（曼彻斯特大学癌症研究联盟国家生物标志物中心）
本文提出了一种基于归纳逻辑的方法，通过将电路解释视为归纳理论构建，为累积的机制科学提供形式化基础设施。该方法通过因果功能签名和建筑签名，明确机制主张，并在不同模型规模之间实现可移植性。
2026-05-20 cs.AI cs.LG cs.LO
ANDRE: An Attention-based Neuro-symbolic Differentiable Rule Extractor for Inductive Logic Programming
Dept. of Mechanical and Aerospace Engineering, George Washington University, USA（机械与航空航天工程系，乔治华盛顿大学）；Dept. of Mechanical Engineering Sciences, University of Surrey, UK（机械工程科学系，萨里大学）
提出ANDRE框架，通过注意力驱动的可微逻辑算子优化连续规则空间，实现从概率数据中学习一阶逻辑规则，在噪声环境下保持鲁棒性和可解释性。
2026-05-31 cs.AI cs.LG cs.LO
GLIDR: Graph-Like Inductive Logic Programming with Differentiable Reasoning
Georgia Institute of Technology（佐治亚理工学院）
提出GLIDR可微规则学习方法，通过可微消息传递算法支持分支和循环等复杂逻辑规则结构，在知识图谱补全任务上显著优于现有方法且能与神经网络端到端联合优化。
2025-08-08 cs.AI cs.LG cs.LO
Self-Supervised Inductive Logic Programming
Poker通过自监督学习方法，在无负例情况下自动生成正负例，提升归纳逻辑编程的性能。
2026-03-04 cs.AI cs.LG
Inductive Learning of Answer Set Programs from Noisy Examples
Imperial College London（伦敦帝国理工学院）
近年来，非单调归纳逻辑程序设计受到了越来越多的关注。具体来说，已经引入了几种新的学习框架和算法，用于在答案集语义下学习，允许学习涉及默认和异常的常识知识，这是人类推理的基本方面。在本文中，我们提出了一个噪声容忍概括的学习答案集框架。我们评估我们的ILASP3系统，在合成和真实的数据集，在新的框架中表示。特别是，我们表明，在许多数据集ILASP3实现了更高的准确性比其他ILP系统，以前已被应用到数据集，包括最近提出的微分学习框架。
2018-08-25 cs.AI
Program Synthesis using Inductive Logic Programming for the Abstraction and Reasoning Corpus
INESCTEC-FCUP
针对 ARC 对强泛化与推理的挑战，本文提出以手工对象中心 DSL 作为背景知识、用 ILP 从少量网格示例合成逻辑程序的系统，并验证其可解决多种不同推理任务。
2024-05-10 cs.AI cs.LG cs.PL
Explaining Neural Networks in Preference Learning: a Post-hoc Inductive Logic Programming Approach
Department of Information Engineering, Computer Science and Mathematics, University of L'Aquila, Italy（意大利拉奎拉大学信息工程、计算机科学与数学系）；Department of Life, Health and Environmental Sciences, University of L'Aquila, Italy（意大利拉奎拉大学生命、健康与环境科学系）；Department of Electrical Engineering and Information Technologies, University of Naples, Italy（意大利那不勒斯大学电气工程与信息技术系）；Ethos Group, Department of Human Sciences, University of Verona, Italy（意大利维罗纳大学人文科学系Ethos研究组）
本文提出利用从答案集学习来近似黑箱模型，如神经网络，在用户偏好学习中的应用。通过弱约束使用ILASP近似偏好学习系统，并通过预处理步骤减少维度以保持解释透明。
2026-04-08 cs.AI cs.LG
Deeply Semantic Inductive Spatio-Temporal Learning
Spatial Reasoning（空间推理）；The DesignSpace Group（设计空间集团）；University of Bremen（不来梅大学）；University of Münster（明斯特大学）
我们提出了一个归纳时空学习框架植根于归纳逻辑程序设计。强调视觉空间语言，逻辑和认知，该框架支持学习与关系的时空特征，可识别的一系列领域，涉及动态视觉空间图像的处理和解释。我们提出了一个原型系统，并在视觉艺术和计算认知科学计算领域的一个例子应用。
2016-08-09 cs.AI cs.CV cs.LG
Best-Effort Inductive Logic Programming via Fine-grained Cost-based Hypothesis Generation
Technische Universität Wien（维也纳技术大学）；Marmara University（马尔马拉大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Sabanci University（萨班哲大学）
本文介绍了参加第一届归纳逻辑程序设计（ILP）竞赛的计算机系统。它基于Answer Set Programming（ASP）。假设空间生成的ASP编码：给定一组表示模式偏差的事实和一组成本配置参数，该编码的每个答案集表示一个规则，该规则被认为是用于找到需要给定示例的假设。与使用规则体的长度作为规则复杂性度量的最新方法相比，我们的方法允许对假设候选规则的形状进行更细粒度的规范。系统迭代地增加规则成本限制，从而增加搜索空间，直到找到合适的假设。该系统搜索一个假设，需要一个单一的例子，利用ASP编码从XHAIL中使用的编码派生。我们用ILP竞赛的开发和测试集进行实验。为了比较，我们还适应了ILASP系统处理竞争的情况下。实验结果表明，假设搜索空间的代价参数是在有限的资源范围内找到竞争实例的假设的重要因素。
2018-02-23 cs.AI cs.LG cs.LO
Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach
University of Verona（维罗纳大学）
本文利用 ILP 从 POMDP 执行轨迹中学习可解释的 ASP 置信策略规约，作为在线启发式指导 POMCP、DESPOT 和 AdaOPS，并在 rocksample 与 pocman 上验证其高效、优越且可泛化。
2024-02-29 cs.AI cs.LG cs.LO
Knowledge Refactoring for Inductive Program Synthesis
KU Leuven（鲁汶大学）；Oxford（牛津大学）
人类不断重组知识，以更有效地利用它。我们的目标是赋予机器学习系统类似的能力，以便它能够更有效地学习。我们介绍的\textit{knowledge refactoring}问题，其目标是重组一个学习者的知识库，以减少其大小，并尽量减少冗余it.We专注于归纳逻辑程序设计，其中的知识库是一个逻辑程序。我们介绍克诺尔夫，一个系统，解决了重构问题，使用约束优化。我们评估我们的方法上的两个程序感应域：现实世界中的字符串变换和乐高结构的建设。我们的实验表明，从重构的知识中学习可以将预测精度提高四倍，并将学习时间减少一半。
2020-11-24 cs.AI cs.LG stat.ML
Reason Popper-ly: Patching In-Context Reasoning with Inductive Logic Programming
Vanderbilt University（范德堡大学）
研究针对思维链提示中间步骤逻辑不合理问题，提出Reason Popper-ly框架，用归纳逻辑编程学习规则作在线验证器校正步骤，在CLUTRR基准测试中提升了模型准确率，还产生细粒度错误分类法，优于完全外部符号管道。
2026-07-28 cs.AI cs.LO cs.SC
Using Program Synthesis and Inductive Logic Programming to solve Bongard Problems
BITS Pilani（比尔拉理工学院）；TCS Research（TCS研究院）
识别和类比的能力经常被用来衡量或测试人类的智力。解决Bongard问题的能力就是这种测试的一个例子。人们还假设，快速构建新颖抽象的能力对于解决类比问题至关重要。给定一个图像，构造一个程序来生成该图像的能力是抽象的一种形式，如Dreamcoder项目所示。在本文中，我们提出了一个初步的审查是否由Dreamcoder构建的程序可以用于类比推理，以解决某些Bongard问题。我们使用Dreamcoder来发现在Bongard问题中生成图像的程序，并将每个图像表示为一系列状态转换。我们装饰的状态使用位置信息在一个自动化的方式，然后编码产生的序列到逻辑事实的Prolog。我们使用归纳逻辑程序设计（ILP），学习一个（可解释的）理论的抽象概念中涉及的一个邦加德问题的实例。综合创建的Bongard问题的概念，如“上/下”和“顺时针/逆时针”的实验表明，我们的端到端系统可以解决这样的问题。我们研究的重要性和完整性，我们的方法的每个组成部分，突出其目前的局限性，并指出改进方向，在我们的制定，以及在任何Dreamcoder一样的程序合成系统用于这种方法的元素。
2021-10-19 cs.AI cs.LG cs.PL
On the Complexity of Inductively Learning Guarded Rules
University of Oxford（牛津大学）
本文研究了在归纳逻辑程序设计（ILP）框架下从子句数据集中挖掘保护子句的计算复杂性。我们发现，学习保护条款是NP-完全的，因此一个步骤以下的$σ^P_2$ -完成任务的学习霍恩条款的多项式层次结构。出于对大型数据集的实际应用，我们确定了一个自然易处理的问题片段。最后，我们还推广我们所有的结果，$k$ -保护条款恒定$k$。
2021-10-07 cs.AI cs.CC
Neural Logic Machines
Tsinghua University（清华大学）；Google Inc.（谷歌公司）；ByteDance Inc.（字节跳动公司）
我们提出了神经逻辑机（NLM），一个神经符号架构的归纳学习和逻辑推理。NLM利用神经网络的能力--作为函数逼近器，和逻辑编程--作为具有属性、关系、逻辑连接词和量词的对象的符号处理器。在小规模任务（例如对短数组进行排序）上进行训练后，NLM可以恢复提升的规则，并推广到大规模任务（例如对长数组进行排序）。在我们的实验中，NLM在许多任务中实现了完美的泛化，从家庭树和一般图形的关系推理任务，到决策任务，包括排序数组，寻找最短路径，以及玩积木世界。这些任务中的大多数是很难单独用神经网络或归纳逻辑程序设计来完成的。
2019-04-26 cs.AI cs.LG stat.ML
Explainable and Trustworthy Traffic Sign Detection for Safe Autonomous Driving: An Inductive Logic Programming Approach
University of Surrey（萨里大学）
针对DNN交通标志检测易受对抗攻击的问题，提出基于归纳逻辑编程（ILP）的停车标志检测方法，利用形状、颜色等高级特征提升鲁棒性与可解释性，实验证明其能抵御PR2和AdvCam攻击且需极少训练数据。
2023-08-30 cs.AI cs.CV cs.LO
Context Pooling: Query-specific Graph Pooling for Generic Inductive Link Prediction in Knowledge Graphs
Nanyang Technological University（南洋理工大学）
提出Context Pooling方法，通过查询特定的图池化和邻居逻辑相关性评估，提升GNN在知识图谱链接预测中的性能，在48个设置中42个达到SOTA。
2025-07-10 cs.AI cs.LG
AutoSpec: Safety Rule Evolution for LLM Agents via Inductive Logic Programming
Zhejiang University of Technology（浙江工业大学）
提出AutoSpec框架，利用归纳逻辑编程引导的CEGIS自动演化专家定义的安全规则，平衡精确率和召回率，在代码执行和具身智能体领域将F1提升至0.98和0.93，减少高达94%的误报。
2026-07-08 cs.AI cs.CR cs.SE
