Testul pentru rețelele neuronale grafice

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Care este mecanismul de calcul de bază al majorității rețelelor neuronale grafice?
   • Trecerea mesajelor și agregarea între nodurile vecine
   • Glisarea unei convoluții peste o grilă de pixeli fixe
   • Predicție autoregresivă pentru următorul simbol
   • Plimbări aleatorii fără învățare
2. De ce trebuie ca funcția de agregare vecină a unui GNN să fie invariantă la permutare?
   • Pentru a face antrenamentul mai rapid
   • Deoarece vecinii unui grafic nu au o ordonare inerentă
   • Pentru că graficele sunt întotdeauna direcționate
   • Pentru a reduce numărul de parametri la unul
3. La ce se referă „netezirea excesivă” în GNN-urile profunde?
   • Imaginile devin neclare
   • Graficul își pierde marginile
   • Înglobările nodurilor converg pentru a fi aproape identice pe măsură ce straturile cresc
   • Degrade explodând la infinit
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. Într-un GNN aplicat unei molecule, ce reprezintă de obicei nodurile și marginile?
   • Atomi și legături chimice
   • Pixeli și culori
   • Cuvinte și propoziții
   • Utilizatori și postări
6. Câți hopuri distanță pot călători informațiile către un nod după L straturi de transmitere a mesajelor?
   • Întotdeauna exact un hop
   • Până la L hamei
   • Întregul grafic într-un singur strat
   • Zero sărituri
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