Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ για γραφήματα νευρωνικών δικτύων

Εξετάστε τη μετάδοση μηνυμάτων GNN, την αναλλοίωτη μετάθεση, την υπερβολική εξομάλυνση, την προσοχή, τα μοριακά γραφήματα και τα πηδήματα δεκτικού πεδίου.

Σχετικές διαδρομές οδηγώνΓράφημα Νευρωνικά Δίκτυα
Ερώτηση 1 του 8

Ποιος είναι ο βασικός υπολογιστικός μηχανισμός των περισσότερων νευρωνικών δικτύων γραφημάτων;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποιος είναι ο βασικός υπολογιστικός μηχανισμός των περισσότερων νευρωνικών δικτύων γραφημάτων;
    • Πέρασμα και συνάθροιση μηνυμάτων μεταξύ γειτονικών κόμβων
    • Σύρετε μια συνέλιξη πάνω από ένα σταθερό πλέγμα pixel
    • Αυτοπαλινδρομική πρόβλεψη επόμενου συμβολικού
    • Τυχαίες βόλτες χωρίς μάθηση
  2. Γιατί η συνάρτηση συνάθροισης γείτονα ενός GNN πρέπει να είναι αμετάβλητη μετάθεση;
    • Για να κάνετε την προπόνηση πιο γρήγορη
    • Επειδή οι γείτονες ενός γραφήματος δεν έχουν εγγενή σειρά
    • Γιατί τα γραφήματα είναι πάντα κατευθυνόμενα
    • Για να μειώσετε τον αριθμό των παραμέτρων σε μία
  3. Τι σημαίνει «υπερ-εξομάλυνση» στα βαθιά GNN;
    • Οι εικόνες γίνονται θολές
    • Το γράφημα χάνει τις άκρες του
    • Οι ενσωματώσεις κόμβων συγκλίνουν για να είναι σχεδόν πανομοιότυπες καθώς αυξάνονται τα επίπεδα
    • Διαβαθμίσεις που εκρήγνυνται στο άπειρο
  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. Σε ένα GNN που εφαρμόζεται σε ένα μόριο, τι αντιπροσωπεύουν συνήθως οι κόμβοι και οι ακμές;
    • Άτομα και χημικοί δεσμοί
    • Pixel και χρώματα
    • Λέξεις και προτάσεις
    • Χρήστες και δημοσιεύσεις
  6. Πόσα άλματα μακριά μπορούν να ταξιδέψουν πληροφορίες σε έναν κόμβο μετά από στρώματα μετάδοσης μηνυμάτων L;
    • Πάντα ακριβώς ένα άλμα
    • Μέχρι L λυκίσκου
    • Ολόκληρο το γράφημα σε ένα μόνο στρώμα
    • Μηδέν λυκίσκο
  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