Kuis Grafik Jaringan Syaraf Tiruan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa mekanisme komputasi inti dari sebagian besar jaringan saraf grafik?
   • Pengiriman pesan dan agregasi antar node yang bertetangga
   • Menggeser konvolusi di atas kisi piksel tetap
   • Prediksi token berikutnya autoregresif
   • Jalan acak tanpa pembelajaran
2. Mengapa fungsi agregasi tetangga GNN harus bersifat invarian permutasi?
   • Untuk membuat pelatihan lebih cepat
   • Karena tetangga suatu graf tidak mempunyai keteraturan bawaan
   • Karena grafik selalu berarah
   • Untuk mengurangi jumlah parameter menjadi satu
3. Apa yang dimaksud dengan 'penghalusan berlebihan' dalam GNN yang mendalam?
   • Gambar menjadi buram
   • Grafik kehilangan tepinya
   • Penyematan node yang menyatu menjadi hampir identik seiring bertambahnya lapisan
   • Gradien meledak hingga tak terbatas
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. Dalam GNN yang diterapkan pada molekul, apa yang biasanya diwakili oleh node dan edge?
   • Atom dan ikatan kimia
   • Piksel dan warna
   • Kata dan kalimat
   • Pengguna dan postingan
6. Berapa banyak hop yang dapat dilalui informasi ke sebuah node setelah lapisan penyampaian pesan L?
   • Selalu tepat satu lompatan
   • Hingga L hop
   • Seluruh grafik dalam satu lapisan
   • Nol lompatan
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