Prueba gráfica de redes neuronales

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Cuál es el mecanismo computacional central de la mayoría de las redes neuronales de gráficos?
   • Paso de mensajes y agregación entre nodos vecinos.
   • Deslizar una convolución sobre una cuadrícula de píxeles fija
   • Predicción autorregresiva del siguiente token
   • Paseos aleatorios sin aprendizaje.
2. ¿Por qué la función de agregación de vecinos de un GNN debe ser invariante en permutación?
   • Para hacer el entrenamiento más rápido
   • Porque los vecinos de un gráfico no tienen un orden inherente
   • Porque las gráficas siempre están dirigidas
   • Para reducir el número de parámetros a uno
3. ¿A qué se refiere el "suavizado excesivo" en las GNN profundas?
   • Las imágenes se vuelven borrosas
   • El gráfico pierde sus aristas.
   • Las incrustaciones de nodos convergen para ser casi idénticas a medida que aumentan las capas
   • Degradados que explotan hasta el infinito
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. En una GNN aplicada a una molécula, ¿qué representan normalmente los nodos y los bordes?
   • Átomos y enlaces químicos.
   • Píxeles y colores
   • Palabras y oraciones
   • Usuarios y publicaciones
6. ¿A cuántos saltos puede viajar la información hasta un nodo después de L capas de paso de mensajes?
   • Siempre exactamente un salto
   • Hasta L saltos
   • Todo el gráfico en una sola capa.
   • Cero saltos
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