在ILP中也以非单调逻辑程序和默认规则（Srinivasan，Muggleton和Bain 1992; Dimopoulos and Kakas 1995）学习了身体中的目标。将模型表示为默认规则带来了可观的优势，可解释性，增​​量学习和数据经济。我们提出了可解释和可解释的基于LP的机器学习算法，以及用于增量学习的基于LP的强化学习，以及基于LP-基于LP的解释，用于解决数据经济问题。我们可解释的基于LP的机器学习方法（Shakerin，Salazar和Gupta 2017; Wang and Gupta 2022，2024）与最先进的技术竞争，例如XGBOOST（Chen and Guestrin 2016）和Mult-ceptrons/ceptrons/nealurations/nealuret网络（Aggarwal 2018）。表1显示了基于LP的ML算法的Fold-SE（Wang and Gupta 2024）的性能比较，以及XG-BOOST和MLP在二进制分类任务上的性能比较。与其他可解释的ML算法不同的是，它可以从数据中学习基于简洁的逻辑规则集，然后可以使用该规则集来进行预测。表2显示了Fold-SE与另一个流行的可解释的ML算法Ripper的比较。fold-se在产生明显较小的规则集的同时，达到了更高或可取的精度。nesyfold（Padalkar，Wang和Gupta 2023; Padalkar and Gupta 2023）是一个使用Fold-Se-M算法（用于多类别分类）的框架，从对图像分类任务进行培训的CNN生成全局解释。对于整个火车组，将最后一层内核的输出进行了二元。然后使用折叠-SE-M算法来学习一个规则集，其中每个谓词的真实值都被二进制内核的输出确定。每个内核都可以映射到它所学会的概念中，可以将其识别为识别及其相应的谓词可以将其标记为这些概念。图1说明了用于对“浴室”，“床房”和“厨房”的图像进行分类的CNN的Nesyfold框架。可以通过域专家仔细检查获得的规则集，以检查CNN可能学到的偏见。默认规则是捕获关系数据集的逻辑的绝佳方法。人类在日常推理中使用默认值（Stenning and van Lambalgen 2008； Dietz Saldanha，Houldobler和Pereira 2021）。大多数数据集都是由人类驱动的活动产生的（例如贷款