Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Câu đố về mạng lưới thần kinh đồ thị

Xem lại việc truyền thông điệp GNN, tính bất biến hoán vị, làm mịn quá mức, sự chú ý, đồ thị phân tử và bước nhảy trường tiếp nhận.

Đường dẫn hướng dẫn liên quanMạng lưới thần kinh đồ thị
Câu hỏi 1 của 8

Cơ chế tính toán cốt lõi của hầu hết các mạng lưới thần kinh đồ thị là gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Cơ chế tính toán cốt lõi của hầu hết các mạng lưới thần kinh đồ thị là gì?
    • Truyền tin nhắn và tổng hợp giữa các nút lân cận
    • Trượt một tích chập trên lưới pixel cố định
    • Dự đoán mã thông báo tiếp theo tự động hồi quy
    • Đi bộ ngẫu nhiên mà không học hỏi
  2. Tại sao hàm tổng hợp hàng xóm của GNN phải là bất biến hoán vị?
    • Để đào tạo nhanh hơn
    • Bởi vì các hàng xóm của biểu đồ không có thứ tự cố hữu
    • Vì đồ thị luôn có hướng
    • Để giảm số lượng tham số xuống còn một
  3. 'Làm mịn quá mức' đề cập đến điều gì trong GNN sâu?
    • Hình ảnh trở nên mờ
    • Đồ thị bị mất các cạnh
    • Các nút nhúng hội tụ gần giống nhau khi các lớp tăng lên
    • Độ dốc bùng nổ đến vô tận
  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. Trong GNN áp dụng cho phân tử, các nút và cạnh thường biểu thị điều gì?
    • Nguyên tử và liên kết hóa học
    • Pixel và màu sắc
    • Từ và câu
    • Người dùng và bài đăng
  6. Thông tin có thể di chuyển đến một nút sau L lớp truyền thông báo cách đó bao nhiêu bước nhảy?
    • Luôn chính xác một bước nhảy
    • Lên tới L bước nhảy
    • Toàn bộ biểu đồ trong một lớp duy nhất
    • Không có bước nhảy
  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