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.
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.
- 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
- 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
- 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
- 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
- Co v GNN aplikovaném na molekulu obvykle představují uzly a hrany?
- Atomy a chemické vazby
- Pixely a barvy
- Slova a věty
- Uživatelé a příspěvky
- 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
- 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