Graph Model - Transductive, Inductive

1. Transductive:
   • 출력: 학습의 결과로 나오는 것은 주어진 그래프 내의 각 노드에 대한 고정된 임베딩 zv입니다.
   • 특징: 학습 데이터셋 내의 노드에 대해 임베딩을 생성하는데 초점이 맞춰져 있습니다.
   • 한계점: 트랜스덕티브 모델은 학습 데이터셋 외의 새로운 노드나 그래프에 대한 임베딩을 생성하는 능력이 없습니다. 따라서, 새로운 데이터에 대한 예측이나 표현을 생성하는 데에 제한이 있습니다.
2. Inductive:
   • 출력: 학습의 결과는 임베딩을 생성하는 인코더(encoder) 함수입니다.
   • 특징: 노드나 그래프의 정보를 입력으로 받아 임베딩을 생성하는 능력을 갖추고 있습니다.
   • 한계점: 인덕티브 접근 방식은 일반화 능력이 있기는 하지만, 이를 위한 적절한 학습 데이터와 인코더 구조가 필요합니다. 부족한 학습 데이터나 부적합한 인코더 구조는 일반화 성능에 영향을 줄 수 있습니다.

요약하면, "transductive" 학습은 학습 데이터셋 내의 노드에 대한 고정된 임베딩을 생성하는 반면, "inductive" 학습은 임베딩을 생성하는 인코더 함수를 학습하여 새로운 데이터에 대해 임베딩을 생성할 수 있습니다. 각 접근 방식은 그 자체의 한계점을 가지고 있습니다.