本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 根据不断变化的图形数据进行预测
<a name="machine-learning-overview-evolving-data"></a>

对于不断变化的图形，您可能需要定期使用新数据创建新的批量预测。查询预先计算的预测（转导推理）可能比基于最新数据动态生成新预测（归纳推理）快得多。这两种方法都有其用武之地，具体取决于数据变化的速度和性能要求。

## 归纳推理和转导推理的区别
<a name="inductive-vs-transductive-inference"></a>

执行转导推理时，Neptune 会查找并返回训练时预先计算的预测。

执行归纳推理时，Neptune 会构造相关的子图形并提取其属性。然后，DGL GNN 模型实时应用数据处理和模型评估。

因此，归纳推理可以生成涉及在训练时不存在且反映图形当前状态的节点和边缘的预测。但是，这是以更高的延迟为代价的。

如果您的图形是动态的，则可能需要使用归纳推理来确保将最新数据考虑在内，但是如果您的图形是静态的，则转导推理更快、更高效。

默认情况下，归纳推理处于禁用状态。您可以通过在查询中使用 Gremlin [Neptune\$1ml.inductiveInference](machine-learning-gremlin-inference-query-predicates.md#machine-learning-gremlin-inference-neptune-ml-inductiveInference) 谓词为查询启用它，如下所示：

```
.with( "Neptune#ml.inductiveInference")
```