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.

Gerelateerde gidspadenGrafiek Neurale Netwerken
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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