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.

Percorsi guida correlatiGrafico delle reti neurali
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.

  1. 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
  2. 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
  3. 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
  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. 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
  6. 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
  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