翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

変化するグラフデータに基づいて予測を行う

継続的に変化するグラフでは、新しいデータを使用して、定期的に新しいバッチ予測を作成する必要があるかもしれません。最新のデータに基づいて新しい予測をその場で生成する (帰納的推論) よりも、事前に計算された予測 (トランスダクティブ推論) をクエリするほうがはるかに高速です。どちらの方法にも、データの変化の速さやパフォーマンス要件に応じて弱点があります。

帰納的推論とトランスダクティブ推論の違い

トランスダクティブ推論を実行する場合、Neptune はトレーニング時に事前に計算された予測を検索して返します。

帰納的推論を実行する場合、Neptune は関連するサブグラフを作成し、そのプロパティを取得します。その後、DGLGNNモデルはデータ処理とモデル評価をリアルタイムで適用します。

そのため、帰納的推論では、トレーニング時には存在しなかったノードやエッジに関する予測や、グラフの現在の状態を反映した予測を生成できます。ただし、これにはレイテンシが大きくなるという代償が伴います。

グラフが動的な場合は、最新のデータを考慮に入れるために帰納的推論を使用することもできますが、グラフが静的な場合は、トランスダクティブ推論の方が速くて効率的です。

帰納的推論は、デフォルトでは無効です。クエリで Gremlin Neptune#ml。inductiveInference 述語を次のように使用することで、クエリで有効にできます。

.with( "Neptune#ml.inductiveInference")