Inductive learning 与 Transductive learning的理解
发布网友
发布时间：9小时前
共1个回答
热心网友
时间：2024-10-21 13:32
Inctive Learning 是一种“归纳式”学习方法，其核心在于，通过已有的知识，模型能够进行“迁移”以解决未知数据的预测问题。换句话说，测试数据对于模型来说是全新的，模型必须能够将现有信息应用到这些从未见过的数据上。
相比之下，Transctive Learning 被称为“直推式”学习，意味着在训练过程中，模型已经“见过”甚至“使用”了测试数据。因此，Transctive Learning 的目标是针对特定的测试样本进行优化，而不是像 Inctive Learning 那样试图构建一个能够推广到未知数据的泛化模型。
以 LightGCN 为例，这种模型在执行卷积操作时，确实需要利用图中所有节点的信息。然而，在这种情况下，尽管模型并未直接对测试集中的数据进行预测，它已经通过特征的使用间接“接触”了这些数据。这体现了 Transctive Learning 的本质——在训练时就已经接触到了测试数据，从而能够基于这些信息进行更精准的推理。
简而言之，Inctive 和 Transctive Learning 的主要区别在于，模型是否在训练阶段接触并利用了测试数据。Inctive Learning 更侧重于构建一个能够泛化到未知数据的模型，而 Transctive Learning 则更关注于针对特定测试样本进行最优化。
