本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 根據不斷發展的圖形資料進行預測
<a name="machine-learning-overview-evolving-data"></a>

使用持續變更的圖形，您可能想要使用全新資料定期建立新的批次預測。查詢預先計算的預測 (直推式推論) 比根據最新資料 (歸納推論) 即時產生新預測要快得多。這兩種方法都有自己的可取之處，取決於資料變更的速度和效能需求。

## 歸納推論與直推式推論之間的區別
<a name="inductive-vs-transductive-inference"></a>

執行直推式推論時，Neptune 會查詢並傳回訓練時預先計算的預測。

執行歸納推論時，Neptune 會建構相關的子圖形並擷取其屬性。然後，DGL GNN 模型會即時套用資料處理和模型評估。

因此，歸納推論可以產生涉及節點和邊緣的預測，而這些節點和邊緣在訓練時不存在，並會反映圖形的目前狀態。代價是更高的延遲。

如果您的圖形是動態的，您可能想要使用歸納推論來確保將最新資料納入考慮，但是如果您的圖形是靜態的，則直推式推論更快、更有效率。

歸納推論預設為停用。您可以在查詢中使用 Gremlin [Neptune\$1ml.inductiveInference](machine-learning-gremlin-inference-query-predicates.md#machine-learning-gremlin-inference-neptune-ml-inductiveInference) 述詞，啟用此推論進行查詢，如下所示：

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