Quiz zu grafischen neuronalen Netzen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

1. Was ist der zentrale Rechenmechanismus der meisten graphischen neuronalen Netze?
   • Nachrichtenweitergabe und -aggregation zwischen benachbarten Knoten
   • Eine Faltung über ein festes Pixelraster schieben
   • Autoregressive Vorhersage des nächsten Tokens
   • Zufällige Spaziergänge ohne Lernen
2. Warum muss die Nachbaraggregationsfunktion eines GNN permutationsinvariant sein?
   • Um das Training zu beschleunigen
   • Weil die Nachbarn eines Graphen keine inhärente Reihenfolge haben
   • Weil Graphen immer gerichtet sind
   • Um die Anzahl der Parameter auf einen zu reduzieren
3. Was bedeutet „Überglättung“ in tiefen GNNs?
   • Bilder werden unscharf
   • Der Graph verliert seine Kanten
   • Knoteneinbettungen konvergieren so, dass sie mit zunehmender Schichtung nahezu identisch sind
   • Farbverläufe, die bis ins Unendliche explodieren
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. Was stellen Knoten und Kanten in einem auf ein Molekül angewendeten GNN normalerweise dar?
   • Atome und chemische Bindungen
   • Pixel und Farben
   • Wörter und Sätze
   • Benutzer und Beiträge
6. Wie viele Sprünge entfernt können Informationen nach L Nachrichtenübertragungsschichten zu einem Knoten gelangen?
   • Immer genau ein Hop
   • Bis L Hopfen
   • Das gesamte Diagramm in einer einzigen Ebene
   • Null Hopfen
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