ガイド連動クイズ · 中 レベル

グラフ ニューラル ネットワークに関するクイズ

GNN メッセージ パッシング、順列不変性、過剰平滑化、注意、分子グラフ、および受容野ホップを確認します。

関連するガイドパスグラフニューラルネットワーク
質問 1 の 8

ほとんどのグラフ ニューラル ネットワークの中核となる計算メカニズムは何ですか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. ほとんどのグラフ ニューラル ネットワークの中核となる計算メカニズムは何ですか?
    • 隣接するノード間のメッセージの受け渡しと集約
    • 固定ピクセルグリッド上で畳み込みをスライドさせる
    • 自己回帰的な次のトークンの予測
    • 学習のないランダムウォーク
  2. GNN の近傍集約関数はなぜ順列不変でなければならないのでしょうか?
    • トレーニングをより速く行うには
    • グラフの近傍には固有の順序がないため、
    • グラフは常に方向性があるため
    • パラメータの数を 1 つに減らすには
  3. ディープ GNN における「過度の平滑化」とは何を指しますか?
    • 画像がぼやける
    • エッジを失ったグラフ
    • レイヤーが増加するにつれてほぼ同一になるように収束するノードの埋め込み
    • 無限に広がるグラデーション
  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. 分子に適用される GNN では、通常、ノードとエッジは何を表しますか?
    • 原子と化学結合
    • ピクセルと色
    • 言葉と文章
    • ユーザーと投稿
  6. L 個のメッセージパッシング層を通過した後、情報は何ホップ離れたノードに到達できますか?
    • 常に 1 ホップだけ
    • 最大Lホップまで
    • 単一レイヤー内のグラフ全体
    • ゼロホップ
  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