我同意 Neil G 的回答，但也许这种替代措辞也有帮助：

考虑设置一个简单的高斯混合模型。在这里，我们可以将模型参数视为混合模型的一组高斯分量（它们的每一个均值和方差，以及每一个在混合中的权重）。

给定一组模型参数，推理是识别哪个组件可能生成单个给定示例的问题，通常以每个组件的“责任”的形式。在这里，潜在变量只是生成给定向量的组件的唯一标识符，我们正在推断可能是哪个组件。（在这种情况下，推理很简单，尽管在更复杂的模型中它变得相当复杂。）

学习是在给定模型中的一组样本的情况下，识别最适合给定数据的模型参数（或模型参数的分布）的过程：选择高斯的均值、方差和权重。

期望最大化学习算法可以被认为是对训练集进行推理，然后在给定推理的情况下学习最佳参数，然后重复。推理通常以这种方式用于学习过程，但它也具有独立的意义，例如选择哪个组件在高斯混合模型中生成给定数据点，以决定隐藏马尔可夫模型中最可能的隐藏状态，在更一般的图形模型中估算缺失值，...

推理是基于单个输入选择配置。学习是根据一些训练示例选择参数。

在基于能量的模型框架（一种查看几乎所有机器学习架构的方法）中，推理选择一种配置来最小化能量函数，同时保持参数固定；学习选择参数以最小化损失函数。

正如 conjugateprior 指出的那样，其他人对同一件事使用不同的术语。例如 Bishop，使用“推理”和“决策”分别表示学习和推理。 因果推理意味着学习。但是，无论您决定使用哪个术语，这两个概念都是不同的。

神经学的类比是激发神经元的模式是一种配置；一组链接强度是参数。

这看起来像是经典的跨学科术语混淆。OP 似乎正在使用类似神经科学的术语，其中所讨论的两个术语可能具有不同的含义。但由于交叉验证通常处理统计和机器学习，我将尝试根据这些术语在这些领域的常见用法来回答这个问题。

在经典统计学中，推理只是将你对样本的了解和对样本（希望）具有代表性的总体做出数学陈述的行为。摘自 Casella & Berger (2002) 的经典教科书：“概率论的主题是构建所有统计数据的基础……通过这些模型，统计学家能够得出关于总体的推论，仅基于检验的推论整体的一部分”。因此，在统计学中，推理与 p 值、检验统计量和抽样分布等特别相关。

至于学习，我认为 Wasserman's All of Statistics (2003) 中的这张表可能会有所帮助：

奇怪的是没有人提到这一点，但只有在有概率分布的情况下才能进行推理。这里引用 Wiki，其中引用了牛津词典：

统计推断是使用数据分析来推断潜在概率分布属性的过程（牛津统计词典）

https://en.wikipedia.org/wiki/Statistical_inference

在传统的神经网络、k-NN 或 vanilla SVM 的情况下，您无法估计概率密度，也没有关于任何密度的假设，因此在那里没有统计推断。只有培训/学习。但是，对于大多数（所有？）统计程序，您可以同时使用推理和学习，因为这些程序对所讨论的人口分布有一些假设。