데이터 과학 노트

Transductive vs. Inductive Learning 본문

Data Science/Machine Learning

Transductive vs. Inductive Learning

Data Scientist Note 2022. 1. 2. 15:01

사전적 정의

  • transductive; transduction (변환, 전환, 전도, ...)
    • 특정 케이스 학습 → 특정 케이스 추론
  • inductive (귀납적인, 유도의)
    • 특정 케이스 학습 → 일반적 룰 추론

 

Node Classification (Graph Learning) 관점

  • transductive: 한 그래프의 일부 노드의 ground truth로부터 나머지 정보 유추
  • inductive: 한 그래프의 ground truth로 모델 학습 후 전혀 새로운 그래프에 대한 추론; 일반적인 supervised learning
transductive learning inductive learning

Machine Learning 관점

  • transductive
  • inductive: supervised learning
 

참조

  • Semi-Supervised Classification with Graph Convolutional Networks (ICLR 2017)
  • Inductive Representation Learning on Large Graphs (NIPS 2017)
  • Node Masking: Making Graph Neural Networks Generalize and Scale Better (arXiv 2020)

연역법 (deduction, deductive method; (삼단논법) syllogism)

  • 보편적 법칙이나 일반적 진리를 전제로 특수한 관찰에 대한 명제를 끌어내는 논증
  • 원리 (현상/가설/이론) → 관찰
    • 장) 확증성, 결론이 참
    • 단) 지식의 비확장
  • 종류: 정언 / 가언 / 선언 삼단 논법, 양도논법
  • e.g.) 모든 사람은 죽는다 → 소크라테스는 사람이다 → 소크라테스는 죽는다

 

귀납법 (induction, inductive method)

  • 경험적 근거를 바탕으로 논리, 사실 명제를 끌어내는 방법
  • 관찰과 실험 → 원리 (현상/가설/이론)
    • 장) 지식의 확장
    • 단) 비약이 존재 가능 (비확증성)
  • 종류: 인과 관계, 유비추리 (유추), 귀납적 일반화
  • e.g.) 백조 1은 하얗다 → 백조 2, 3, ..., 100은 하얗다 → 그러므로 모든 백조는 하얀색일 것이다

 

연역법 vs. 귀납법

  • 연역법) 일반적 원리 → 구체적 관찰
  • 귀납법) 일반적 원리 ← 구체적 관찰

 

참조

  • https://towardsdatascience.com/inductive-vs-transductive-learning-e608e786f7d
  • https://blog.naver.com/cheguebara/221793571344
  • https://www.researchgate.net/figure/Inductive-and-transductive-learning-a-Traditional-inductive-scheme-with-two-separate_fig4_320414237
  • https://komputervision.wordpress.com/2020/03/24/inductive-learning-vs-transductive-learning
  • https://m.blog.naver.com/PostView.naver?isHttpsRedirect=true&blogId=sgjjojo&logNo=221265116799

'Data Science > Machine Learning' 카테고리의 다른 글

[deeplearning.ai] ChatGPT Prompt Engineering for Developers  (0) 2023.06.06
Gold Label vs. Silver label  (0) 2023.05.15
가능도 (likelihood)  (0) 2023.03.15