通俗理解transductive learing和inductive learing

最近在机器学习中，发现很多模型中都使用到了transductive learing和inductive learing，但搜来搜去都发现还是无法看明白这两个概念的区别，直到我找到了一种通俗易懂的说法。

首先，了解一下这两种学习都是属于半监督学习的：就是给的数据有的是有标签的，而有的是没有标签的。而两种常见的半监督的学习：

1、直推学习（Transductive learning）：例如GCN，迭代的过程中需要用到所有节点的信息，学习得到所有节点的向量表示，但是对于新加入的节点需要对所有的节点重新计算。泛化性差。

2、归纳学习（Inductive learning）：没有标签的数据不是测试集。例如GraphSAGE中，学习的结果不再是每个节点的嵌入，而是“聚合函数”。对新加入的节点，可以根据其邻居聚合直接给出其表示学习，而不必对整个网络重新迭代。

如果还是没理解没关系，我当时看的时候也没理解，但是我看到了下面的精华理解

精华

• 在训练过程中，已知testing data（unlabelled data）是transductive learing，
• 在训练过程中，并不知道testing data ，训练好模型后去解决未知的testing data 是inductive learing

举例

• 取图A所有节点训练模型之后，利用训练好的模型预测图A中部分节点的标签任务是transductive learing
• 取图A所有节点训练模型之后，利用训练好的模型预测图B中节点的标签任务是inductive learing
• 所以直推学习泛化性差，而传导学习泛化性好
  看到这两句话我就顿悟了~