一句话定义：转导学习（Transductive Learning）是在训练阶段就把「接下来要预测的那批样本」本身（只有输入、没有答案）一并交给模型，模型只对这批指定样本给出预测，而不追求得到一个能处理任意新输入的通用模型。
像开卷前先拿到考卷
打个比方。归纳式学习（Inductive Learning）像只给你一本教材去复习：你要从教材里提炼出通用的解题能力，之后考什么卷子都能应付。转导学习则像开考前把本次要考的那张卷子（答案被涂掉）发给你：复习时可以把这份卷子当作已知条件，针对性地调整策略。这一场你大概率考得更好，但明天换一张卷子，这份「针对性」就未必管用了。
所以准确的说法不是「知道了测试集的分布」，而是拿到了具体的、不带标签的测试样本。模型利用这些样本彼此之间的关系（相似度、图结构、聚类成团）来收紧决策边界。典型做法是标签传播（Label Propagation）：把训练样本和待预测样本都当成一张图（Graph）上的节点，标签沿着「相似节点之间」的边扩散。相似的两个待测样本会被拉到同一个标签上——前提正是你能同时看到它们。
和相邻概念的区别
最容易混的是半监督学习（Semi-supervised Learning）。它按「有没有用上无标签数据」来分类；转导学习则按「预测范围」来分类。两者经常重叠，但不等价：你可以用一批与测试无关的无标签数据做半监督预训练，最后仍然交出通用模型（归纳式）；也可以只用测试集做转导。另外，k 近邻（k-NN）常被误当成转导的例子，其实它是归纳式的——它不依赖某一批特定的测试样本，任何新点都能作答。
| 维度 | 归纳式学习 | 转导式学习 |
|---|---|---|
| 训练时可见 | 只有训练集 | 训练集和待预测样本（无标签） |
| 产出物 | 一个可复用的模型 | 这批指定样本的预测结果 |
| 来了新样本 | 直接预测 | 需要把新样本纳入重跑一遍 |
| 典型方法 | 逻辑回归、梯度提升树、常规神经网络 | 标签传播、转导支持向量机（Transductive SVM） |
对做事的人意味着什么
第一，看指标要先看设定。如果评测时模型已经「见过」这批测试样本，得到的分数天然偏高，不能直接当成上线后面对新数据的表现。这不算作弊，但报告结果时应该写清楚是哪种设定——竞赛榜单、离线评测尤其要留意这一条。
第二，转导适合「一次性批量打分」的场景：一批待归档文档分类、给一批已确认的用户打标签、图上的一批节点推断。在标注贵、数据量小的项目里，它能用同样的标注换来更好的效果。
第三，它不适合需要实时响应的线上服务：每来一条请求就把整批样本重算一遍，工程上不划算；要把模型交付给别人复用，也更适合走归纳式路线。
一句话收尾：归纳式学的是「规律」，转导式学的是「这道题怎么答」。前者能带走，后者更准，但只对眼前这批样本有效。