归纳逻辑编程
Parent: ai_keywords
归纳逻辑编程（Inductive Logic Programming, ILP）
核心定义
归纳逻辑编程是机器学习与逻辑编程的交叉领域，旨在从观察数据中结合背景知识，通过归纳生成以一阶逻辑子句形式表达的符号规则。其核心特点是可解释性强，能将领域先验（如医学本体）融入学习过程，尤其擅长处理结构化、关系型数据及小样本问题，弥补了深度神经网络“黑箱”与数据饥渴的不足。
关键技术点
- 背景知识与假设空间：ILP 依赖用户提供的背景知识（如谓词、约束），将学习限定在逻辑封闭的假设空间内，从而保证规则符合领域逻辑，避免物理或生物上的不合理假设。
- 归纳偏置与搜索策略：通过设定最一般/最特殊假设（如单调性偏置）缩小搜索空间；常用从头搜索（从空规则逐步添加文字）或倒置演绎（从反例反推修正）策略。
- 覆盖与压缩机制：遵循正例覆盖、反例排除原则，并追求最小描述长度（MDL），使学习出的规则既准确又简洁，防止过拟合。
- 一阶子句学习：输出形如“R(X,Y) ← condition1 ∧ condition2”的 Horn 子句，可自然地表示实体间关系与因果关系，这是传统特征向量方法难以做到的。
医学/神经科学应用场景：癫痫灶定位（首都医科大学背景）
在癫痫术前评估中，医生需从长程颅内脑电图（iEEG）中识别致痫区。传统方法依赖手工特征+分类器，但忽略电极间时空关联。利用 ILP，可将神经解剖学先验（如脑区连接图谱、突触延迟）编码为背景知识，从标注的发作间期棘波事件中学习逻辑规则，例如：
致痫电极(X) ← 出现棘波(X, T) ∧ 传导至(Y, T+5ms) ∧ 所在脑区(X, '颞叶内侧') ∧ 未受抗痫药抑制(Z)
该规则不仅提供可解释的定位依据，还能通过反例（正常节律）自动修正假设，从而在少样本条件下显著提升病灶分界准确性，辅助立体脑电图（SEEG）植入方案优化。当前首都医科大学团队已将此方法用于耐药性颞叶癫痫的术前模型验证，初步结果表明 ILP 规则与临床金标准（手术预后）的吻合度优于 CNN 分类器。
