গ্রাফ নিউরাল নেটওয়ার্ক কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. বেশিরভাগ গ্রাফ নিউরাল নেটওয়ার্কের মূল কম্পিউটেশনাল মেকানিজম কী?
   • বার্তা পাসিং এবং প্রতিবেশী নোডের মধ্যে একত্রীকরণ
   • একটি নির্দিষ্ট পিক্সেল গ্রিডের উপর একটি কনভল্যুশন স্লাইড করা
   • অটোরিগ্রেসিভ পরবর্তী-টোকেন পূর্বাভাস
   • কোন শিক্ষা ছাড়া এলোমেলো হাঁটা
2. কেন একটি GNN-এর প্রতিবেশী-একত্রীকরণ ফাংশন ক্রমাগত পরিবর্তনশীল হতে হবে?
   • প্রশিক্ষণ দ্রুত করতে
   • কারণ একটি গ্রাফের প্রতিবেশীদের কোন অন্তর্নিহিত ক্রম নেই
   • কারণ গ্রাফ সবসময় নির্দেশিত হয়
   • পরামিতি সংখ্যা এক কমাতে
3. গভীর GNN-এ 'ওভার স্মুথিং' বলতে কী বোঝায়?
   • ছবিগুলো ঝাপসা হয়ে আসছে
   • গ্রাফটি তার প্রান্ত হারাচ্ছে
   • স্তর বৃদ্ধির সাথে সাথে নোড এম্বেডিংগুলি প্রায় অভিন্ন হয়৷
   • গ্রেডিয়েন্ট অনন্তে বিস্ফোরিত হচ্ছে
4. 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
5. একটি অণুতে প্রয়োগ করা একটি GNN-এ, নোড এবং প্রান্তগুলি সাধারণত কী উপস্থাপন করে?
   • পরমাণু এবং রাসায়নিক বন্ধন
   • পিক্সেল এবং রং
   • শব্দ এবং বাক্য
   • ব্যবহারকারী এবং পোস্ট
6. এল মেসেজ-পাসিং লেয়ারের পরে কত হপস দূরে তথ্য একটি নোডে ভ্রমণ করতে পারে?
   • সবসময় ঠিক এক হপ
   • এল হপস পর্যন্ত
   • একটি একক স্তরে সমগ্র গ্রাফ
   • জিরো হপস
7. 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
8. 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