Quiz collegato alla guida · Medio Livello
Quiz sulle reti neurali sui grafici
Esamina il passaggio dei messaggi GNN, l'invarianza di permutazione, l'eccessivo livellamento, l'attenzione, i grafici molecolari e i salti del campo recettivo.
Domanda 1 di 8
Qual è il meccanismo computazionale principale della maggior parte delle reti neurali a grafo?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è il meccanismo computazionale principale della maggior parte delle reti neurali a grafo?
- Passaggio e aggregazione di messaggi tra nodi vicini
- Scorrimento di una convoluzione su una griglia di pixel fissa
- Previsione autoregressiva del token successivo
- Passeggiate casuali senza apprendimento
- Perché la funzione di aggregazione dei vicini di una GNN deve essere invariante per permutazione?
- Per rendere la formazione più veloce
- Perché i vicini di un grafico non hanno un ordinamento intrinseco
- Perché i grafici sono sempre diretti
- Per ridurre il numero di parametri a uno
- A cosa si riferisce il termine "over-smoothing" nelle GNN profonde?
- Le immagini diventano sfocate
- Il grafico perde i suoi bordi
- Gli incorporamenti dei nodi convergono per essere quasi identici all'aumentare degli strati
- Gradienti che esplodono all'infinito
- 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
- In una GNN applicata ad una molecola, cosa rappresentano tipicamente i nodi e gli spigoli?
- Atomi e legami chimici
- Pixel e colori
- Parole e frasi
- Utenti e post
- Quanti salti di distanza possono viaggiare le informazioni verso un nodo dopo L livelli di passaggio dei messaggi?
- Sempre esattamente un salto
- Fino a L luppolo
- L'intero grafico in un unico livello
- Zero luppoli
- 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