Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Rangkaian Neural Graf

Semak hantaran mesej GNN, invarian pilih atur, pelicinan berlebihan, perhatian, graf molekul dan lompat medan reseptif.

Laluan panduan yang berkaitanRangkaian Neural Graf
soalan 1 daripada 8

Apakah mekanisme pengiraan teras kebanyakan rangkaian saraf graf?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah mekanisme pengiraan teras kebanyakan rangkaian saraf graf?
    • Penghantaran mesej dan pengagregatan antara nod jiran
    • Meluncurkan lilitan ke atas grid piksel tetap
    • Ramalan token seterusnya autoregresif
    • Berjalan rawak tanpa pembelajaran
  2. Mengapakah fungsi pengagregatan jiran GNN mestilah invarian pilih atur?
    • Untuk membuat latihan lebih cepat
    • Kerana jiran graf tidak mempunyai susunan yang wujud
    • Kerana graf sentiasa diarahkan
    • Untuk mengurangkan bilangan parameter kepada satu
  3. Apakah yang dimaksudkan dengan 'over-smoothing' dalam GNN dalam?
    • Imej menjadi kabur
    • Graf kehilangan tepinya
    • Pembenaman nod menumpu menjadi hampir sama apabila lapisan meningkat
    • Kecerunan meletup ke infiniti
  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 digunakan pada molekul, apakah yang biasanya diwakili oleh nod dan tepi?
    • Atom dan ikatan kimia
    • Piksel dan warna
    • Perkataan dan ayat
    • Pengguna dan siaran
  6. Berapa banyak lompatan boleh pergi maklumat ke nod selepas L lapisan menghantar mesej?
    • Sentiasa tepat satu lompatan
    • Sehingga L hop
    • Keseluruhan graf dalam satu lapisan
    • Sifar lompat
  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