決策樹學習技術由于簡單易用，到今天仍是最常用的機器學習技術之一．ILP具有很強的知識表示能力，可以較容易地表達出復雜數據關系，而且領域知識通常可方便地通過邏輯表達式進行描述，因此，ILP不僅可利用領域知識輔助學習，還可通過學習對領域知識進行精化和增強；然而，成也蕭何、敗也蕭何，由于表示能力太強，直接導致學習過程面臨的假設空間太大、復雜度極高，因此，問題規模稍大就難以有效進行學習，九十年代中期后這方面的研究相對陷入低潮．二十世紀九十年代中期之前，“從樣例中學習”的另一主流技術是基于神經網絡的連接主義學習．連接主義學習在二十世紀五十年代取得了大發展，但因為早期的很多人工智能研究者對符號表示有特別偏愛，例如圖靈獎得主H．Simon曾斷言人工智能是研究“對智能行為的符號化建模”，所以當時連接主義的研究未被納入主流人工智能研究范疇，尤其是連接主義自身也遇到了很大的障礙，正如圖靈獎得主M. Minsky和S．Papert在1969年指出，（當時的）神經網絡只能處理線性分類，甚至對“異或”這么簡單的問題都處理不了．