• 机器学习
  • 归纳式学习（inductive learning）
  • 转导式学习（transductive learning）
• 图表示学习
  • 归纳式学习（inductive learning）
    • 节点表示
    • 图表示
  • 转导式学习（transductive learning）
    • 节点表示
• 参考资料

机器学习

归纳式学习（inductive learning）

• 测试集的数据完全不会被见过
• 训练输入：
  • 半监督学习：输入训练集特征，未标记的特征和训练集的标签
  • 监督学习： 输入训练集，训练集的特征
• 测试集添加数据后，不需要重新训练
• 计算量更少

转导式学习（transductive learning）

• 测试集的数据除了标签有可能被看见

• 测试数据集添加数据之后，需要重新训练（应该是说半监督的情况）

• 计算量更大

• 训练输入：

  • 半监督学习： 输入训练集特征，测试集的特征和训练集的标签
  • 监督学习： 输入训练集特征，训练集的标签

图表示学习

对于图表示学习领域，inductive和transductive两种方式是类似的。

归纳式学习（inductive learning）

节点表示

• 将整个图的链接断开，形成多个图，每个图是原来大图的子图。然后训练，测试验证集都是不同的子图。

图表示

• 图表示因为都是不一样的图，所以自然地归为inductive learning。

转导式学习（transductive learning）

节点表示

• 无论是训练、测试还是验证集，全图都能够被观测到。
• 分割的只是节点标签数据。

参考资料

[1] inductive-vs-transductive-learning
[2] CS224W Setting-up GNN prediction Tasks