본 논문은 관련 계획 문제 집합을 해결하는 프로그램을 합성하는 일반화 계획(GP)을 위한 새로운 방법을 제시한다. 훈련 문제 집합이 주어지면, 각 문제에 대해 특정 순서로 각 목표 원자에 대한 최적 계획을 계산하고, 결과 계획에 대해 목표 회귀를 수행한 다음, 해당 출력을 들어 올려 일련의 일차 논리 규칙($\textit{Condition} \rightarrow \textit{Actions}$)을 얻는다. 이러한 규칙은 실행 가능하거나, 계획 검색 공간을 축소하는 데 사용될 수 있는 일반화 계획을 구성한다. 논문은 제안된 방법이 유효한 일반화 계획과 검색을 위한 상태 공간 축소 공리를 학습하도록 보장하는 조건을 공식화하고 증명한다. 실험 결과는 다양한 고전적 및 수치 계획 도메인에서 합성 비용, 계획 적용 범위 및 솔루션 품질의 3가지 지표에 대해 최첨단 (일반화) 계획자에 비해 상당한 개선을 보였다.
