Questionário sobre redes neurais gráficas

As respostas e explicações aparecem conforme você responde ao teste.

1. Qual é o mecanismo computacional central da maioria das redes neurais de grafos?
   • Passagem de mensagens e agregação entre nós vizinhos
   • Deslizando uma convolução sobre uma grade de pixels fixa
   • Previsão autoregressiva do próximo token
   • Caminhadas aleatórias sem aprendizado
2. Por que a função de agregação de vizinhos de uma GNN deve ser invariante à permutação?
   • Para tornar o treinamento mais rápido
   • Porque os vizinhos de um grafo não têm ordem inerente
   • Como os gráficos são sempre direcionados
   • Para reduzir o número de parâmetros para um
3. A que se refere 'suavização excessiva' em GNNs profundos?
   • Imagens ficando borradas
   • O gráfico perdendo suas arestas
   • Incorporações de nós convergindo para serem quase idênticas à medida que as camadas aumentam
   • Gradientes explodindo ao infinito
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. Em uma GNN aplicada a uma molécula, o que os nós e arestas normalmente representam?
   • Átomos e ligações químicas
   • Pixels e cores
   • Palavras e frases
   • Usuários e postagens
6. A quantos saltos a informação pode viajar até um nó após L camadas de passagem de mensagens?
   • Sempre exatamente um salto
   • Até L lúpulo
   • O gráfico inteiro em uma única camada
   • Zero saltos
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