Викторина, связанная с руководством · Средний Уровень

Викторина по нейронным сетям на графе

Просмотрите передачу сообщений GNN, инвариантность перестановок, чрезмерное сглаживание, внимание, молекулярные графы и скачки рецептивного поля.

Связанные направляющие путиГрафовые нейронные сети
Вопрос 1 из 8

Каков основной вычислительный механизм большинства графовых нейронных сетей?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Каков основной вычислительный механизм большинства графовых нейронных сетей?
    • Передача и агрегирование сообщений между соседними узлами
    • Скольжение свертки по фиксированной пиксельной сетке
    • Авторегрессионное предсказание следующего токена
    • Случайные блуждания без обучения
  2. Почему функция агрегирования соседей GNN должна быть инвариантной к перестановкам?
    • Чтобы обучение было быстрее
    • Поскольку соседи графа не имеют внутреннего порядка.
    • Поскольку графы всегда направлены
    • Чтобы сократить количество параметров до одного
  3. Что означает «чрезмерное сглаживание» в глубоких GNN?
    • Изображения становятся размытыми
    • Граф теряет свои ребра
    • Вложения узлов сближаются и становятся почти идентичными по мере увеличения слоев.
    • Градиенты, стремящиеся к бесконечности
  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. Что обычно представляют узлы и ребра в GNN применительно к молекуле?
    • Атомы и химические связи
    • Пиксели и цвета
    • Слова и предложения
    • Пользователи и сообщения
  6. На сколько прыжков информация может пройти к узлу после L уровней передачи сообщений?
    • Всегда ровно один прыжок
    • До L прыжков
    • Весь график в одном слое
    • Ноль прыжков
  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