Membuat prediksi berdasarkan data grafik yang berkembang

Dengan grafik yang terus berubah, Anda mungkin ingin membuat prediksi batch baru secara berkala menggunakan data baru. Menanyakan prediksi yang telah dihitung sebelumnya (inferensi transduktif) dapat secara signifikan lebih cepat daripada menghasilkan prediksi baru dengan cepat berdasarkan data terbaru (inferensi induktif). Kedua pendekatan memiliki tempatnya, tergantung pada seberapa cepat data Anda berubah dan persyaratan kinerja Anda.

Perbedaan antara inferensi induktif dan transduktif

Saat melakukan inferensi transduktif, Neptunus mencari dan mengembalikan prediksi yang telah dihitung sebelumnya pada saat pelatihan.

Saat melakukan inferensi induktif, Neptunus membangun subgraf yang relevan dan mengambil propertinya. DGLGNNModel kemudian menerapkan pemrosesan data dan evaluasi model secara real-time.

Oleh karena itu, inferensi induktif dapat menghasilkan prediksi yang melibatkan node dan tepi yang tidak ada pada saat pelatihan dan yang mencerminkan keadaan grafik saat ini. Ini datang, bagaimanapun, dengan biaya latensi yang lebih tinggi.

Jika grafik Anda dinamis, Anda mungkin ingin menggunakan inferensi induktif untuk memastikan memperhitungkan data terbaru, tetapi jika grafik Anda statis, inferensi transduktif lebih cepat dan lebih efisien.

Inferensi induktif dinonaktifkan secara default. Anda dapat mengaktifkannya untuk kueri dengan menggunakan Neptunus #ml. inductiveInference predikat Gremlin dalam kueri sebagai berikut:

.with( "Neptune#ml.inductiveInference")