归纳逻辑编程（ILP）从数据中归纳逻辑程序，可缓解泛化差与可解释性不足。研究提出约束驱动、分治搜索、元级搜索及谓词发明等方法，改进Popper、Brute等系统，实现递归程序学习，在游戏与程序合成等实验中显著提升准确率并大幅缩短学习时间。

归纳逻辑编程（ILP）通过逻辑程序归纳假设来概括训练样例。近十年研究聚焦元级搜索、递归程序学习、谓词发明及可扩展性，提出了Popper、Brute、ILASP等系统，结合约束驱动、答案集编程与神经网络，显著缩短学习时间，可扩展至数百万事实领域。

归纳逻辑编程是一种基于逻辑的机器学习形式，通过归纳出逻辑程序来概括训练示例。研究关注了搜索方法、学习递归程序的技术、谓词发明的新方法和不同技术的使用。同时探讨了归纳逻辑编程的限制和未来研究方向。