Gids-gekoppelde quiz · Middelmatig Niveau
Grafiek Neurale Netwerken Quiz
Bekijk het doorgeven van GNN-berichten, permutatie-invariantie, over-smoothing, aandacht, moleculaire grafieken en receptieve veld-hops.
Vraag 1 van 8
Wat is het kerncomputermechanisme van de meeste grafneurale netwerken?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is het kerncomputermechanisme van de meeste grafneurale netwerken?
- Het doorgeven en aggregeren van berichten tussen aangrenzende knooppunten
- Een convolutie over een vast pixelraster schuiven
- Autoregressieve voorspelling van het volgende token
- Willekeurige wandelingen zonder te leren
- Waarom moet de buur-aggregatiefunctie van een GNN permutatie-invariant zijn?
- Om de training sneller te maken
- Omdat de buren van een grafiek geen inherente ordening hebben
- Omdat grafieken altijd gericht zijn
- Om het aantal parameters terug te brengen tot één
- Waarnaar verwijst ‘over-smoothing’ in diepe GNN’s?
- Beelden worden wazig
- De grafiek verliest zijn randen
- Knooppuntinbedding convergeert bijna identiek naarmate de lagen groter worden
- Verlopen die tot in het oneindige exploderen
- Waarin verschilt een Graph Attention Network van een standaard GCN-laag?
- Het verwijdert alle graaf-edges vóór het doorgeven van berichten
- Het wijst aan elk knooppunt een uniek teksttoken toe
- Het garandeert dat diepere netwerken niet over-smooth raken
- Het leert aandachtscoëfficiënten voor buren, terwijl de GCN graad-genormaliseerde propagatiegewichten gebruikt
- Wat vertegenwoordigen knooppunten en randen doorgaans in een GNN toegepast op een molecuul?
- Atomen en chemische bindingen
- Pixels en kleuren
- Woorden en zinnen
- Gebruikers en berichten
- Hoeveel stappen kan informatie naar een knooppunt reizen na L berichtendoorlatende lagen?
- Altijd precies één sprong
- Tot L-hop
- De hele grafiek in één laag
- Nul hop
- Wat maakt GraphSAGE een inductieve graafleermethode?
- Het slaat een aparte vrije parametervector op voor elk mogelijk testknooppunt
- Het vereist één vaste graaf en kan geen nieuwe knooppunten verwerken
- Het leert aggregatiefuncties voor de buurt die kunnen worden toegepast op ongeziene knooppunten
- Het vervangt knooppuntkenmerken door labels op graafniveau
- Wat doet symmetrische graadnormalisatie met adjacency-berichten in de oorspronkelijke GCN-propagatieregel?
- Sorteert naburige knooppunten alfabetisch
- Verwijdert elke edge met een lage kenmerkwaarde
- Maakt de graaf gericht door alle edges om te draaien
- Schaalt elke edge-bijdrage met behulp van de inverse vierkantswortels van de graden van het bron- en doelknooppunt