Завдяки взаємопов’язаності вузлів у графах навчання нейронних мереж на графах можна виконувати у двох налаштуваннях: у трансдуктивному навчанні модель може мати доступ до тестових функцій на етапі навчання; в індуктивному режимі тестові дані залишаються невидимими.
У логіці, статистичному висновку та керованому навчанні трансдукція або трансдуктивний висновок — це міркування від спостережених конкретних (навчальних) випадків до конкретних (тестових) випадків. На відміну від цього, індукція – це міркування від спостережених навчальних випадків до загальних правил, які потім застосовуються до тестових випадків.
Узагальненість: Індуктивні моделі спрямовані на вивчення правил, які застосовуються до нових, невидимих графів і вузлів. Трансдуктивні моделі зосереджуються лише на конкретних вузлах, присутніх під час навчання.
Трансдуктивне конформне передбачення (TCP) є розширенням традиційної системи індуктивного конформного передбачення (ICP).. У той час як ICP зосереджується на побудові інтервалів прогнозування або наборів виключно на основі навчальних даних, TCP включає додаткову інформацію з тестових даних на етапі прогнозування.
Відрахування: Використання моделі для прогнозування. Трансдукція: використання конкретних прикладів для прогнозування.
Наприклад, якщо ви побачите, що всі лебеді, яких ви коли-небудь бачили, білі, ви можете зробити висновок, що всі лебеді білі. Це трансдуктивне міркування, оскільки ви робите висновок про всіх лебедів на основі своїх спостережень за конкретними лебедями.