Quiz sur les réseaux de neurones graphiques

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quel est le mécanisme de calcul de base de la plupart des réseaux de neurones graphiques ?
   • Passage de messages et agrégation entre nœuds voisins
   • Faire glisser une convolution sur une grille de pixels fixe
   • Prédiction autorégressive du prochain jeton
   • Promenades aléatoires sans apprentissage
2. Pourquoi la fonction d'agrégation de voisins d'un GNN doit-elle être invariante par permutation ?
   • Pour rendre la formation plus rapide
   • Parce que les voisins d'un graphe n'ont pas d'ordre inhérent
   • Parce que les graphiques sont toujours orientés
   • Pour réduire le nombre de paramètres à un
3. À quoi fait référence le « sur-lissage » dans les GNN profonds ?
   • Les images deviennent floues
   • Le graphique perd ses arêtes
   • Les intégrations de nœuds convergent pour être presque identiques à mesure que les couches augmentent
   • Des dégradés explosant à l'infini
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. Dans un GNN appliqué à une molécule, que représentent généralement les nœuds et les arêtes ?
   • Atomes et liaisons chimiques
   • Pixels et couleurs
   • Mots et phrases
   • Utilisateurs et publications
6. À combien de sauts les informations peuvent-elles voyager jusqu'à un nœud après L couches de transmission de messages ?
   • Toujours exactement un saut
   • Jusqu'à L sauts
   • Le graphique entier en une seule couche
   • Zéro saut
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