链接预测中的Inductive和Transductive

1. 意义

归纳和转导在链接预测任务中的意义如下:

• 归纳(Inductive):指从部分观测中归纳出一个概括的规律或模型,并应用到未见的样本上。在链接预测任务中,归纳是指通过已有实体间的部分链接,归纳出实体间关系的一般规律,并应用到未见的实体上去预测未知链接。

• 转导(Transductive):指仅利用训练数据本身的信息去推断未标记的测试样本,而不进行归纳推广。在链接预测中,转导是指只利用训练图谱中的实体和部分已知链接信息,去直接推断测试集中未知链接,而不归纳出通用的关系模式。

2. 举例

• 归纳:通过已知实体A与B,C,D存在"朋友"关系,归纳出"朋友"关系的一般模式。然后将此模式应用到未见实体E上,预测E也可能与某些实体存在"朋友"关系。

• 转导:已知实体A、B、C、D之间存在部分"朋友"关系链接,直接根据A、B、C、D之间的相互关系,推断出A和D也可能存在"朋友"关系,而不归纳出"朋友"的一般模式。

可以看出,归纳学习通过抽象出模式进行推广,而转导学习仅在给定数据上进行直接推理。链接预测中的感知学习属于归纳学习,需要从有限的链接中归纳出关系模式,并应用到未见实体上。

3. 小样本场景

在小样本场景下,归纳学习方法更适合,理由如下:

1. 转导学习依赖的数据量更多,需要观测到更多的已知链接,才能进行有效的转导推理。而归纳方法可以从少量数据中抽象出规律,然后应用到新样本上。

2. 小样本场景信息有限,不足以让转导方法区分数据间的复杂依赖关系。而归纳方法学习到的规律具有更强的泛化性,能扩展到更多未见样本。

3. 小样本下,单从给定数据进行推导容易过拟合,而归纳学习通过抽象规律可以获取更广义的知识。

综上所述,在小样本场景下,归纳学习方法更具优势,可以从有限数据中学习更泛化性知识,并应用到新样本上。