Вікторина, пов’язана з посібником · Середній Рівень

Тест із нейронних мереж графа

Ознайомтеся з передаванням повідомлень GNN, інваріантністю перестановок, надмірним згладжуванням, увагою, молекулярними графами та стрибками рецептивного поля.

Пов'язані напрямні шляхиГрафічні нейронні мережі
Питання 1 з 8

Який основний обчислювальний механізм більшості графових нейронних мереж?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Який основний обчислювальний механізм більшості графових нейронних мереж?
    • Передача та агрегація повідомлень між сусідніми вузлами
    • Ковзання згортки по фіксованій піксельній сітці
    • Авторегресивний прогноз наступного токена
    • Випадкові прогулянки без навчання
  2. Чому функція агрегування сусідів GNN повинна бути інваріантною до перестановки?
    • Щоб навчання проходило швидше
    • Оскільки сусіди графа не мають внутрішнього порядку
    • Тому що графіки завжди спрямовані
    • Зменшити кількість параметрів до одного
  3. Що означає «надмірне згладжування» у глибоких GNN?
    • Зображення стають розмитими
    • Граф втрачає ребра
    • Вбудовані вузли зближуються, щоб бути майже ідентичними в міру збільшення шарів
    • Градієнти, що вибухають до нескінченності
  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. Що зазвичай представляють вузли та ребра в GNN, застосованому до молекули?
    • Атоми та хімічний зв'язок
    • Пікселі та кольори
    • Слова і речення
    • Користувачі та публікації
  6. На скільки стрибків інформація може пройти до вузла після L рівнів передачі повідомлень?
    • Завжди рівно один стрибок
    • До L хмелю
    • Весь графік в одному шарі
    • Нуль стрибків
  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