inductive 和 transductive

transductive learning 是新名词，2018年才被正式公布，中文名为直推式集合/直推式学习。
简单地说，“直推式学习”指训练集和测试集的数据共同作为模型训练的数据，并只以训练集的标签用作loss的评判。
反之，另一个叫做“归纳(inductive)学习”的名词，就是最常见的了，即数据分为训练集和测试集，只拿训练集训练模型，再去预测测试集。

举例更容易理解。
minst手写数字数据集，是许多人初学时认识到的第一个数据集。它的学习就是归纳学习，你在训练模型时不会管测试数据集长什么样。
直推式学习与图网络关系密切，所以必须举图神经网络的例子：GNN。一开始，你只知道图中一部分点的标签和整张图的拓扑结构，看起来像是残缺的地图。GNN训练完，就可以预测另一部分点的标签了。如果将标签已知的点看作训练集，要预测的点的未知标签作为测试集，那么你可以发现，图的拓扑结构是训练集、测试集共有的，且一定要参与到GNN的训练中。这就是“直推式学习”的意思，虽然你不知道测试集的标签，但测试集的“拓扑数据”仍然参与了模型训练。