inductive learning （归纳学习）与 transductive learning（直推学习）

最新推荐文章于 2023-03-12 20:09:39 发布
最新推荐文章于 2023-03-12 20:09:39 发布
阅读量2.2k 收藏 6
点赞数 2
文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40721337/article/details/113624120
版权

参考
如何理解 inductive learning 与 transductive learning?
Deep Learning：理解“直推（transductive）学习”和“归纳（inductive）学习” 等
inductive learing（归纳学习）是我们常见的学习方式。在训练时没见过testing data的特征，通过训练数据训练出一个模型来进行预测，可以直接利用这个已训练的模型预测新数据。
transductive learing（直推学习）是不常见的学习方式，属于半监督学习的一个子问题。在训练时见过testing data的特征，通过观察所有数据的分布来进行预测，如果新加入一个数据，要重新训练整个算法。
在这里插入图片描述
在这里插入图片描述

immortal12
关注
  • 2
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
通过混合正则化对未标记目标域进行归纳转移学习
02-22
近年来，目睹了对转移学习的日益增长的兴趣。 本文针对分类问题，即与源域分布不同的目标域是完全未标记的，目的是为看不见的数据建立归纳模型。 首先，我们在转导学习的先前工作中分析了类比漂移的问题，并提出了使用归一化方法向期望的类比移动的方法。 此外，我们为归纳转移学习开发了混合正则化框架。 它考虑了三个因素，包括通过流形正则化的目标域的分布几何形状，通过熵正则化的预测概率的熵值以及通过期望正则化的类别先验。 该框架用于使从源域学习的归纳模型适应目标域。 最后，对真实世界文本数据的实验表明了我们的归纳学习迁移方法的有效性。 同时，它可以处理看不见的测试点。
inductive learning和transductive learning最最简单易懂的解释 | 算法举例
weixin_44644621的博客
03-14 2378
文章目录概念定义算法举例区别实例 网上很多大神对inductive learning和transductive learning进行了原理层面的讲解，并且给出了数学符号进行严谨定义。但机器学习小白理解起来还是有些费劲，本文力求用最最简单易懂的语言介绍二者的定义和区别。 概念定义 inductive learning：归纳学习，从特殊到一般； transductive learning：转导学习，从特殊到特殊。 算法举例 文字性的叙述一大堆很难看明白，但先上例子其实就很容易自己get到二者的区别了。 indu
论文笔记-2014ECML-ImportanceWeighted Inductive Transfer Learning for Regression.pdf
11-05
论文摘要：我们考虑了数据集移动的归纳转移学习，在这种情况下，两个采样的，但密切相关的数据集的分布不同。当需要预测的目标数据稀缺时，就会使用另一个次要数据集的数据来改进预测。迁移学习试图通过适当补偿这样的数据集移动来解决这个任务。在这项工作中，我们假设协变量和因变量的分布可以在数据集之间任意不同。本文提出了两种基于重要性加权的回归方法。这里对辅助数据的每个实例都分配了一个权重，以便该数据对目标数据的预测作出积极的贡献。实验表明，该方法在基准测试和真实数据集上都取得了良好的效果。
DeepMind 关系型深度强化学习 Relational Deep Reinforcement Learning
04-03
Relational Deep Reinforcement Learning--We introduce an approach for deep reinforcement learning (RL) that improves upon the efficiency, generalization capacity, and interpretability of conventional approaches through structured perception and relational reasoning. It uses self-attention to iteratively reason about the relations between entities in a scene and to guide a model-free policy. Our results show that in a novel navigation and planning task called Box-World, our agent finds interpretable solutions that improve upon baselines in terms of sample complexity, ability to generalize to more complex scenes than experienced during training, and overall performance. In the StarCraft II Learning Environment, our agent achieves state-of-the-art performance on six mini-games – surpassing human grandmaster performance on four. By considering architectural inductive biases, our work opens new directions for overcoming important, but stubborn, challenges in deep RL.
Inductive Learning of Tree-based Regression Model
12-28
This thesis explores different aspects of the induction of tree-based regression models from data. The main goal of this study is to improve the predictive accuracy of regression trees,while retaining as much as possible their comprehensibility and computational efficiency.
Transductive Learning: Motivation, Model,Algorithms
03-22
一篇很好的Transductive Learning的文献，全面介绍了Transductive Learning的要旨
归纳学习(Inductive Learning),直推学习(Transductive Learning),困难负采样(Hard Negative)
CJK's Blog
10-05 1296
当重新训练你的分类器后，分类器会表现的更好，并且不会像之前那样产生多的错误的正样本。也叫转导学习，指的是由当前学习的知识直接推广到指定的部分数据上。即用于训练的数据包含了测试数据，学习过程是作用在这个固定的数据上的，一旦数据发生改变，需要重新进行学习训练。对应于domain adaptation(领域自适应)，给定训练的数据包含了目标域数据，要求训练一个对目标域数据有最小误差的模型。对应于meta-learning(元学习)，要求从诸多给定的任务和数据中学习通用的模式，迁移到未知的任务和数据上。
【概念理解】inductive和transductive的理解？
sxl的博客
07-24 6562
  最近在阅读论文的过程中，文章中提到了inductive和transductive问题，在此记录一下他们各自的意义。   inductive是归纳的意思，指的是从特殊到一般的学习。Inductive learning 是从特定任务到一般任务的学习，实际上，我们传统的supervised learning都可以理解为是Inductive learning的范畴：基于训练集，我们构建并训练模型，而后将其应用于测试集的预测任务中，训练集与测试集之间是相斥的，即测试集中的任何信息是没有在训练集中出现过的。即模型本
Transductive learning（传导性学习）和 Inductive learning（归纳性学习）的理解
weixin_43120238的博客
08-29 3982
先来看WIKIPEDIA的定义：Inlogic,statistical inference, andsupervised learning,transductionortransductive inferenceisreasoningfrom observed, specific (training) cases to specific (test) cases.In contrast,inductionis reasoning from observed training case...
什么是Inductive Learning & Transductive Learning？
qq_29494693的博客
11-29 1382
阅读论文时，看到Inductive Learning 和 Transductive Learning时不是很懂。通过阅读书籍知道了其含义，在此记录下。 归纳学习（Inductive Learning ）是指可以对在训练阶段见不到的数据直接进行预测而不需要重新训练的学习方法。转导学习（Transductive Learning）是指所有的数据在训练阶段都可以拿到，学习过程是作用在这个固定的数据上的，一旦数据发生改变，需要重新进行学习训练，典型的比如图上的随机游走算法，一旦图数据发生变动，所以节点的表示..
迁移学习 (Transfer Learning)
u012879957的专栏
09-02 9782
什么是/为什么要迁移学习？ 迁移学习(Transfer learning) 顾名思义就是就是把已学训练好的模型参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务是存在相关性的，所以通过迁移学习我们可以将已经学到的模型参数（也可理解为模型学到的知识）通过某种方式来分享给新模型从而加快并优化模型的学习效率不用像大多数网络那样从零学习（starting from scratch，tabula ...
Transductive和Inductive的区别
VIEO
09-27 1473
链接：https://www.jianshu.com/p/db6bff0623b1。商业转载请联系作者获得授权，非商业转载请注明出处。
深度学习英文单词表
Rhao的博客
03-04 1184
转载自：https://blog.csdn.net/u014171091/article/details/101404890 ...
Transductive Learning 和 Inductive Learning
kuxingseng123的博客
11-24 764
慢慢的理解直推式学习和归纳式学习， 慢慢的将其搞定都行啦的理由与打算。
转导学习 transductive learning
VIEO
01-04 8303
转导推理 区别于归纳推理（Inductive Inference）从特殊到一般，再从一般到特殊的学习方式，转导推理（Tranductive Inference）是一种从特殊到特殊的统计学习（或分类）方法。在预测样本的类别时，转导推理试图通过局部的标注训练样本进行判断，这与归纳推理先从训练样本中归纳得到一般模型有着很大差异。特别是当训练样本的数量不足以归纳得到全局一般模型时，转导推理能够利用未标注样本补充标注样本的不足。然而转导推理还有很多问题亟待解决，例如KNN每次预测都要遍历所有测试样本，TSVM的精确
Inductive & Transductive
艺术的博客
03-12 842
总的来说，Inductive学习更注重训练数据的广泛性和泛化能力，而Transductive学习更注重针对特定数据集的准确性。
转导推理——Transductive Learning
weixin_30362233的博客
11-14 844
　　在统计学习中，转导推理（Transductive Inference）是一种通过观察特定的训练样本，进而预测特定的测试样本的方法。另一方面，归纳推理（Induction Inference）先从训练样本中学习得到通过的规则，再利用规则判断测试样本。然而有些转导推理的预测无法由归纳推理获得，这是因为转导推理在不同的测试集上会产生相互不一致的预测，这也是最令转导推理的学者感兴趣的地方。 ...
理解直推式学习和归纳式学习
梦家の博客
05-16 7774
文章作者：梦家 个人站点：dreamhomes.top 原文地址：https://dreamhomes.github.io/posts/202005162008.html 公众号ID：DreamHub 理解机器学习中的学术名词： 监督学习（supervised learning） 半监督学习（semi-supervised learning） 主动学习（active learning） 无监督学习（unsupervised learning） 直推式学习（transductive learning） .
inductive learning conplete and consistent
最新发布
05-03
Inductive learning is a type of machine learning that involves inferring general rules from specific instances. Completeness and consistency are two important properties of inductive learning algorithms. Completeness refers to the ability of an inductive learning algorithm to learn all possible rules that can be inferred from the training data. In other words, a complete algorithm will not miss any relevant patterns or regularities in the data. Consistency, on the other hand, refers to the ability of an inductive learning algorithm to converge to the correct solution as the amount of training data increases. A consistent algorithm will produce the same rule as the amount of data increases, so long as the data is drawn from the same distribution. Both completeness and consistency are desirable properties for inductive learning algorithms, as they ensure that the resulting models are accurate and reliable. However, achieving both properties can be challenging in practice, and different algorithms may prioritize one over the other depending on the specific task and data.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

immortal12

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值