Kvíz spojený s průvodcem · Střední úroveň

Kvíz o grafech neuronových sítí

Zkontrolujte předávání zpráv GNN, permutační invarianci, nadměrné vyhlazování, pozornost, molekulární grafy a skoky v receptivním poli.

Související vodicí cestyGraf neuronových sítí
Otázka 1 z 8

Jaký je základní výpočetní mechanismus většiny grafových neuronových sítí?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký je základní výpočetní mechanismus většiny grafových neuronových sítí?
    • Předávání zpráv a agregace mezi sousedními uzly
    • Posouvání konvoluce přes pevnou mřížku pixelů
    • Autoregresivní predikce dalšího tokenu
    • Náhodné procházky bez učení
  2. Proč musí být funkce agregace sousedů GNN permutačně invariantní?
    • Aby byl trénink rychlejší
    • Protože sousedé grafu nemají žádné vlastní uspořádání
    • Protože grafy jsou vždy orientované
    • Chcete-li snížit počet parametrů na jeden
  3. Co znamená „nadměrné vyhlazování“ v hlubokých GNN?
    • Obrázky jsou rozmazané
    • Graf ztrácí své okraje
    • Vložení uzlů se s přibývajícími vrstvami sbíhá tak, aby bylo téměř totožné
    • Přechody explodující do nekonečna
  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. Co v GNN aplikovaném na molekulu obvykle představují uzly a hrany?
    • Atomy a chemické vazby
    • Pixely a barvy
    • Slova a věty
    • Uživatelé a příspěvky
  6. O kolik skoků dál může informace cestovat do uzlu po L vrstvách předávání zpráv?
    • Vždy přesně jeden skok
    • Až L chmel
    • Celý graf v jedné vrstvě
    • Nulové skoky
  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