Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Graph Neurális Hálózatok Kvíz

Review GNN message passing, permutation invariance, over-smoothing, attention, molecular graphs, and receptive-field hops.

Kapcsolódó útmutató utakNeurális hálózatok gráfja
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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