Quiz dotyczący wykresów sieci neuronowych

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki jest podstawowy mechanizm obliczeniowy większości grafowych sieci neuronowych?
   • Przekazywanie i agregacja komunikatów pomiędzy sąsiednimi węzłami
   • Przesuwanie splotu po siatce o stałych pikselach
   • Autoregresyjne przewidywanie następnego tokenu
   • Losowe spacery bez nauki
2. Dlaczego funkcja agregacji sąsiadów GNN musi być niezmienna permutacyjna?
   • Aby trening był szybszy
   • Ponieważ sąsiedzi grafu nie mają nieodłącznego porządku
   • Ponieważ wykresy są zawsze skierowane
   • Aby zmniejszyć liczbę parametrów do jednego
3. Co oznacza „nadmierne wygładzenie” w głębokich sieciach GNN?
   • Obrazy stają się niewyraźne
   • Wykres traci krawędzie
   • Osadzenia węzłów zbiegają się i są prawie identyczne w miarę zwiększania się warstw
   • Gradienty eksplodujące w nieskończoność
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. Co w GNN zastosowanym do cząsteczki zazwyczaj reprezentują węzły i krawędzie?
   • Atomy i wiązania chemiczne
   • Piksele i kolory
   • Słowa i zdania
   • Użytkownicy i posty
6. O ile przeskoków może informacja dotrzeć do węzła po L warstwach przekazujących komunikaty?
   • Zawsze dokładnie o jeden przeskok
   • Do L przeskoków
   • Cały wykres w jednej warstwie
   • Zero przeskoków
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