ปัญหาประการหนึ่งของวิธีการโปรแกรมตรรกะเชิงอุปนัย (Inductive Logic Programming)หรือไอแอลพี คือ กฏที่ได้จากกระบวนการไอแอลพีไม่สามารถจำแนกตัวอย่างใหม่ หรือตัวอย่างที่มีสัญญาณรบกวนได้ถูกต้อง เนื่องจากระบบไอแอลพีจะเลือกกฎที่ตรงกับตัวอย่างพอดีแล้วจำแนกตามกฎนั้น เมื่อไม่มีกฏข้อใดที่ครอบคลุมหรือตรงพอดีกับตัวอย่างนั้น ระบบไอแอลพีจะไม่สามารถจำแนกตัวอย่างได้ เพื่อแก้ปัญหาในกรณีดังกล่าว ผู้วิจัยจึงได้สร้างขั้นตอนวิธีดึงลักษณะสำคัญ (feature extraction algorithm) เพื่อใช้ร่วมกับแบ็กพรอพาเกชันนิวรอลเน็ตเวิร์ก (Backpropagation Neural Network) ในการประมาณกฏใกล้เคียงสำหรับตัวอย่าง ในการวิจัยได้ทดลองเปรียบเทียบวิธีการนี้โดยใช้ชุดข้อมูลที่เป็นตรรกะลำดับที่หนึ่งจำนวน 4 ชุดข้อมูล ผลการทดลองแสดงถึงเปอร์เซ็นต์ความถูกต้องที่เพิ่มขึ้นจากการใช้กฏจากระบบไอแอลพีเพียงอย่างเดียวจำแนกตัวอย่าง โดยเฉพาะปัญหาที่มีลักษณะเป็นหลายกลุ่ม(multi-class problem) และเปอร์เซ็นต์ความถูกต้องที่ได้ยังสูงกว่าระบบอื่นที่ได้ทดลองเปรียบเทียบไว้ในงานวิจัยนี้ นอกจากนี้ยังได้ทดลองเพื่อแสดงให้เห็นถึงความทนทานต่อสัญญาณรบกวนในชุดข้อมูลที่มีลักษณะเป็นสองกลุ่ม ผลการทดลองปรากฏว่าเปอร์เซ็นต์ความถูกต้องของวิธีการที่สร้างขึ้นในงานวิจัยนี้ ลดลงช้ากว่าเปอร์เซ็นต์ความถูกต้องของกฏที่ได้จากระบบไอแอลพี