ILP（归纳逻辑规划Inductive Logic Programming），我觉得可以称为符号ILP、符号域上的ILP等可能更好理解，总之它就是与符号这个概念相关的。“符号”和“神经网络”暂且可以理解为两个对立的概念。
从机器学习的角度来看，ILP系统可以被解释为在示例上实现基于规则的二进制分类器，根据提供给系统的公理，将每个示例映射到对其真假的评估，以及在训练期间系统推断出的新规则
个人理解：他是一个能进行机器学习的分类系统。
缺点：无法处理噪声数据
新思路：基于神经网络的代替ILP的新技术-“程序归纳的神经方法”。
优点：程序归纳的神经方法对噪声有鲁棒性。
缺点：1、由神经网络学习的隐式过程是不可检测的，也不是人类可读的。众所周知，很难理解它学到了什么。
2、当测试数据显著大于训练数据时，这些系统的性能急剧下降（即，例：训练数据是1+1=2（简单），测试数据是“请问y=x^3+5x^2的二阶导数是多少”（困难））
本文提出可微分归纳逻辑规划(∂ILP)是在端到端可微分体系结构中对ILP的重新实现。结合上面两者的优点。
∂ilp的缺点：∂ilp系统的主要限制是需要大量的内存资源