Тест, свързан с ръководство · Среден Ниво
Тест за графични невронни мрежи
Прегледайте предаването на съобщения в GNN, инвариантността на пермутацията, свръхизглаждането, вниманието, молекулярните графики и скоковете на рецептивното поле.
Въпрос 1 на 8
Какъв е основният изчислителен механизъм на повечето графични невронни мрежи?
Визуализирайте всеки въпрос8 въпроси
Отговорите и обясненията се появяват, докато отговаряте на теста.
- Какъв е основният изчислителен механизъм на повечето графични невронни мрежи?
- Предаване и агрегиране на съобщения между съседни възли
- Плъзгане на намотка върху фиксирана пикселна мрежа
- Авторегресивно прогнозиране на следващия токен
- Случайни разходки без обучение
- Защо функцията за агрегиране на съседи на GNN трябва да бъде инвариантна на пермутация?
- За по-бързо обучение
- Тъй като съседите на графа нямат присъщ ред
- Тъй като графиките винаги са насочени
- За да намалите броя на параметрите до един
- Какво означава „прекомерно изглаждане“ в дълбоките GNN?
- Изображенията стават замъглени
- Графиката губи ръбовете си
- Вграждането на възли се сближава, за да бъде почти идентично с увеличаването на слоевете
- Градиенти, експлодиращи до безкрайност
- How does a Graph Attention Network differ from a basic GCN layer?
- It removes all graph edges before message passing
- It assigns each node a unique text token
- It guarantees deeper networks cannot over-smooth
- It learns attention coefficients for neighbors, while the GCN uses degree-normalized propagation weights
- В GNN, приложен към молекула, какво обикновено представляват възлите и ръбовете?
- Атоми и химични връзки
- Пиксели и цветове
- Думи и изречения
- Потребители и публикации
- На колко скокове разстояние може информацията да пътува до възел след L слоя за предаване на съобщения?
- Винаги точно един скок
- До L хмел
- Цялата графика в един слой
- Нула скокове
- What makes GraphSAGE an inductive graph-learning method?
- It stores a separate free parameter vector for every possible test node
- It requires one fixed graph and cannot process new nodes
- It learns neighborhood aggregation functions that can be applied to unseen nodes
- It replaces node features with graph-level labels
- In the original GCN propagation rule, what does symmetric degree normalization do to adjacency messages?
- Sorts neighboring nodes alphabetically
- Deletes every edge with a low feature value
- Makes the graph directed by reversing all edges
- Scales each edge contribution using the inverse square roots of the source and target node degrees