ग्राफ़ न्यूरल नेटवर्क क्विज़

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. अधिकांश ग्राफ तंत्रिका नेटवर्क का मुख्य कम्प्यूटेशनल तंत्र क्या है?
   • पड़ोसी नोड्स के बीच संदेश भेजना और एकत्रीकरण
   • एक निश्चित पिक्सेल ग्रिड पर कनवल्शन को स्लाइड करना
   • ऑटोरेग्रेसिव नेक्स्ट-टोकन भविष्यवाणी
   • बिना किसी सीख के यादृच्छिक चलना
2. GNN का पड़ोसी-एकत्रीकरण फ़ंक्शन क्रमपरिवर्तन अपरिवर्तनीय क्यों होना चाहिए?
   • प्रशिक्षण को तेज़ बनाने के लिए
   • क्योंकि ग्राफ़ के पड़ोसियों के पास कोई अंतर्निहित क्रम नहीं होता है
   • क्योंकि ग्राफ़ हमेशा निर्देशित होते हैं
   • पैरामीटरों की संख्या को घटाकर एक करना
3. गहरे जीएनएन में 'ओवर-स्मूथिंग' का क्या मतलब है?
   • छवियाँ धुंधली होती जा रही हैं
   • ग्राफ़ अपने किनारों को खो रहा है
   • जैसे-जैसे परतें बढ़ती हैं, नोड एम्बेडिंग लगभग समान हो जाती है
   • ग्रेडियेंट अनंत तक विस्फोटित हो रहे हैं
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. एक अणु पर लागू जीएनएन में, नोड्स और किनारे आम तौर पर क्या दर्शाते हैं?
   • परमाणु और रासायनिक बंधन
   • पिक्सेल और रंग
   • शब्द और वाक्य
   • उपयोगकर्ता और पोस्ट
6. एल संदेश-पासिंग परतों के बाद सूचना कितने हॉप दूर एक नोड तक जा सकती है?
   • हमेशा बिल्कुल एक हॉप
   • एल हॉप्स तक
   • संपूर्ण ग्राफ़ एक परत में
   • शून्य हॉप्स
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