inductive vs transductive"/>
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。
更多推荐
inductive vs transductive
发布评论