inductive vs transductive

简单总结

transductive:

针对具体问题，小样本，通常没有模型，测试集可以参与训练

例1：
GCN（半监督学习）
在一张图中中只有少量数据有标签，我们需要对没有标签的节点进行预测，GCN通过聚合节点信息融合图数据的结构信息，进行节点分类。我们会发现无标签的节点相当于的测试集，但是这些测试节点实际也参与了训练。

此外，如果这张图发生了变化，我们需要重新训练来对节点进行分类，先前的分类已经不适用了。

例2：
推荐系统中的主流方法：矩阵分解（MF）

MF以一种可transductive方式生成用户和项目的embedings，即训练过程中利用丰富的user-items交互行为。然而，当出现新的user或从未与现有用户交互过的看不见的item时，它们的就无法被学习

inductive：

寻找普遍规则，通常有模型，大量数据

大部分有监督的深度学习模型都是inductive，背后需要大量数据支撑，模型可以被复用。数据集的优劣（数据的种类是否够全面，标注是否准确等）对模型的影响很大。