728x90
반응형
인덕티브(inductive) 그래프 설정은 그래프의 일부 또는 새로운 노드에 대한 예측을 수행하는 상황을 가정합니다. 이 설정에서는 모델이 이전에 관찰된 노드의 특성과 연결 관계를 학습하여 새로운 노드에 대한 예측을 수행합니다. 즉, 모델은 관찰된 노드의 정보를 활용하여 새로운 노드의 특성을 일반화하고 예측합니다. 인덕티브 그래프 설정은 일반적으로 훈련 세트와 테스트 세트가 분리되어 있으며, 새로운 노드가 훈련 과정에서 접근할 수 없는 정보를 가지고 있는 상황에서 유용합니다.
트랜스덕티브(transductive) 그래프 설정은 그래프의 전체 또는 일부 노드에 대한 예측을 수행하는 상황을 가정합니다. 이 설정에서는 모델이 그래프의 전체 구조와 모든 노드의 특성을 고려하여 예측을 수행합니다. 즉, 모델은 그래프의 전체 정보를 활용하여 노드의 특성과 상호작용을 고려한 예측을 수행합니다. 트랜스덕티브 그래프 설정은 보다 포괄적인 예측을 제공할 수 있으며, 훈련과 테스트 과정에서 접근 가능한 전체 정보를 활용합니다.
요약하면, 인덕티브 그래프 설정은 관찰된 노드를 기반으로 새로운 노드에 대한 예측을 수행하는 반면, 트랜스덕티브 그래프 설정은 그래프의 전체 정보를 활용하여 모든 노드에 대한 예측을 수행합니다. 인덕티브 설정은 훈련과 테스트 데이터가 분리되어 있고 새로운 노드에 대한 정보 접근이 제한된 경우에 유용하며, 트랜스덕티브 설정은 전체 그래프 정보와 모든 노드에 대한 예측이 필요한 경우에 적합합니다.
728x90
반응형
'Deep Learning' 카테고리의 다른 글
| Graph-based의 추천시스템의 성능 평가에 있어서, Recall, NDCG가 주요한 이유 (0) | 2023.08.07 |
|---|---|
| 머신러닝에서 Precision(정밀도), Recall(재현율)의 차이 (0) | 2023.08.07 |
| over-smoothing, over-squashing이란? (0) | 2023.08.07 |
| spectral theory - graph adj matrix를 Laplacian으로 나타내는 프로세스와 Laplacian으로 표현하는 이유? (0) | 2023.08.07 |