แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบโครงข่ายประสาทเทียมกราฟ

ตรวจสอบการส่งข้อความ GNN, ค่าคงที่ของการเรียงสับเปลี่ยน, การทำให้เรียบมากเกินไป, ความสนใจ, กราฟโมเลกุล และการกระโดดของฟิลด์ที่รับข้อมูล

เส้นทางแนะนำที่เกี่ยวข้องกราฟโครงข่ายประสาทเทียม
คำถาม 1 ของ 8

กลไกการคำนวณหลักของโครงข่ายประสาทเทียมแบบกราฟส่วนใหญ่คืออะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. กลไกการคำนวณหลักของโครงข่ายประสาทเทียมแบบกราฟส่วนใหญ่คืออะไร
    • การส่งข้อความและการรวมกลุ่มระหว่างโหนดข้างเคียง
    • เลื่อน Convolution บนตารางพิกเซลคงที่
    • การทำนายโทเค็นถัดไปแบบถดถอยอัตโนมัติ
    • เดินสุ่มโดยไม่มีการเรียนรู้
  2. เหตุใดฟังก์ชันการรวมเพื่อนบ้านของ GNN จึงต้องมีการเรียงสับเปลี่ยนไม่แปรเปลี่ยน
    • เพื่อให้การฝึกเร็วขึ้น
    • เนื่องจากเพื่อนบ้านของกราฟไม่มีลำดับโดยธรรมชาติ
    • เพราะกราฟมีทิศทางเสมอ
    • เพื่อลดจำนวนพารามิเตอร์ให้เหลือหนึ่งตัว
  3. 'การทำให้เรียบมากเกินไป' หมายถึงอะไรใน GNN แบบลึก
    • ภาพเริ่มเบลอ
    • กราฟสูญเสียขอบ
    • การฝังโหนดมาบรรจบกันให้เกือบจะเหมือนกันเมื่อเลเยอร์เพิ่มขึ้น
    • การไล่ระดับสีระเบิดจนไม่มีที่สิ้นสุด
  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. ใน GNN ที่นำไปใช้กับโมเลกุล โดยทั่วไปแล้วโหนดและขอบแสดงถึงอะไร
    • อะตอมและพันธะเคมี
    • พิกเซลและสี
    • คำและประโยค
    • ผู้ใช้และโพสต์
  6. ข้อมูลสามารถเดินทางไปยังโหนดได้ไกลแค่ไหนหลังจากเลเยอร์การส่งข้อความ L
    • กระโดดหนึ่งครั้งเสมอ
    • มากถึง L ฮอป
    • กราฟทั้งหมดในเลเยอร์เดียว
    • กระโดดเป็นศูนย์
  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