Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Graph Neurális Hálózatok Kvíz
Review GNN message passing, permutation invariance, over-smoothing, attention, molecular graphs, and receptive-field hops.
kérdés 1 -ból 8
Mi a legtöbb gráf neurális hálózat alapvető számítási mechanizmusa?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi a legtöbb gráf neurális hálózat alapvető számítási mechanizmusa?
- Üzenettovábbítás és aggregáció a szomszédos csomópontok között
- Konvolúció csúsztatása fix pixelrácson
- Autoregresszív következő token előrejelzés
- Véletlenszerű séták tanulás nélkül
- Miért kell egy GNN szomszéd-aggregációs függvényének permutációinvariánsnak lennie?
- Hogy gyorsabb legyen az edzés
- Mivel a gráf szomszédjainak nincs eredendő sorrendje
- Mert a grafikonok mindig irányítottak
- A paraméterek számának egyre csökkentése
- Mit jelent a „túlsimítás” a mély GNN-ekben?
- A képek homályossá válnak
- A gráf elveszti éleit
- A csomópont-beágyazások a rétegek növekedésével közel azonosak lesznek
- A végtelenségig kirobbanó színátmenetek
- Miben különbözik a Graph Attention Network az alapvető GCN-rétegtől?
- 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
- Egy molekulára alkalmazott GNN-ben mit jelképeznek általában a csomópontok és az élek?
- Atomok és kémiai kötések
- Pixelek és színek
- Szavak és mondatok
- Felhasználók és hozzászólások
- Hány ugrásnyi távolságra juthat el az információ egy csomóponthoz L üzenetátadó réteg után?
- Mindig pontosan egy ugrással
- Akár L komló
- A teljes grafikon egyetlen rétegben
- Nulla komló
- 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
- 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