گائیڈ سے منسلک کوئز · درمیانہ سطح
گراف نیورل نیٹ ورکس کوئز
GNN میسج پاسنگ، پرموٹیشن انویریئنس، اوور اسموتھنگ، توجہ، مالیکیولر گرافس، اور ریسپٹیو فیلڈ ہاپس کا جائزہ لیں۔
سوال 1 کی 8
زیادہ تر گراف نیورل نیٹ ورکس کا بنیادی کمپیوٹیشنل میکانزم کیا ہے؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- زیادہ تر گراف نیورل نیٹ ورکس کا بنیادی کمپیوٹیشنل میکانزم کیا ہے؟
- پڑوسی نوڈس کے درمیان پیغام کا گزرنا اور جمع کرنا
- ایک فکسڈ پکسل گرڈ پر کنولیشن کو سلائیڈ کرنا
- خود بخود اگلی ٹوکن کی پیشن گوئی
- بغیر کسی سیکھنے کے بے ترتیب چلنا
- ایک GNN کا پڑوسی-ایگریگیشن فنکشن پرموٹیشن انویرینٹ کیوں ہونا چاہیے؟
- تربیت کو تیز تر بنانے کے لیے
- کیونکہ گراف کے پڑوسیوں کی کوئی موروثی ترتیب نہیں ہے۔
- کیونکہ گراف ہمیشہ ڈائریکٹ ہوتے ہیں۔
- پیرامیٹرز کی تعداد کو ایک تک کم کرنا
- گہرے GNNs میں 'زیادہ ہموار' سے کیا مراد ہے؟
- تصاویر دھندلی ہو رہی ہیں۔
- گراف اپنے کناروں کو کھو رہا ہے۔
- پرتوں کے بڑھنے کے ساتھ ہی نوڈ ایمبیڈنگز تقریباً ایک جیسی ہو جاتی ہیں۔
- لامحدودیت تک پھٹنے والے گریڈینٹس
- 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
- مالیکیول پر لاگو GNN میں، نوڈس اور کنارے عام طور پر کس چیز کی نمائندگی کرتے ہیں؟
- ایٹم اور کیمیائی بانڈز
- پکسلز اور رنگ
- الفاظ اور جملے
- صارفین اور پوسٹس
- ایل میسج پاس کرنے والی پرتوں کے بعد معلومات نوڈ تک کتنے ہاپس دور ہوسکتی ہیں؟
- ہمیشہ بالکل ایک ہاپ
- ایل ہاپس تک
- ایک پرت میں پورا گراف
- زیرو ہاپس
- 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
- 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