本文解释 直推式学习（Transductive Learning） 和 归纳式学习（Inductive Learning） 的区别
归纳式学习 (Inductive Learning)
- 一句话定义 ：通过训练数据学习一个通用的模型 ，然后将该模型应用于未知的测试数据
- 目标 ：从具体样本中归纳（名字来源）出一般规律，适用于任何未来的数据
- 特点 ：
- 训练阶段和测试阶段是分开的
- 模型在训练时不知道测试数据的具体情况
- 典型场景 ：大多数监督学习任务（如图像分类、文本分类等）
- 核心特点 ：训练时测试数据不可见
直推式学习 (Transductive Learning)
- 一句话定义 ：利用训练数据和特定的测试数据（未标注）共同学习，直接（名字来源）预测这些测试数据的标签
- 目标 ：针对当前已知的测试数据优化预测，而非构建通用模型
- 特点 ：
- 训练时已知测试数据的特征（但无标签），利用这些信息优化预测
- 模型仅适用于当前的测试数据，不能直接泛化到新数据
- 典型场景 ：半监督学习、图节点分类（如社交网络用户分类）
- 核心特点 ：训练时测试数据可见
附录：举例-垃圾邮件分类
- 任务定义 ：判断邮件是否为垃圾邮件
归纳式学习
- 仅用已标注的训练数据（带“垃圾/正常”标签的邮件）训练一个模型（如SVM、神经网络）
- 将模型应用于未来收到的任何新邮件
直推式学习
- 同时利用已标注邮件和未标注邮件的特征分布（如词频、发件人）训练模型
- 模型发现未标注邮件中某些特征与训练数据中的垃圾邮件相似，直接预测它们的标签
- 特别说明 ：模型针对这批特定的测试邮件优化 ，但不保证对新邮件的效果
为什么需要直推式学习？
- 一般来说，大部分场景都使用归纳式学习即可
- 当测试数据分布与训练数据分布不同时，直推式学习可以通过利用测试数据的特征分布提升当前任务的性能，但牺牲泛化性
- 特别地，当训练数据和测试数据本身具有一定结构（如图数据、时空数据）时，直推式学习可以利用这些结构信息对无标签的测试数据做预测