引导式测验 · 中等 等级

图神经网络测验

回顾 GNN 消息传递、排列不变性、过度平滑、注意力、分子图和感受野跳跃。

相关引导路径图神经网络
问题 1 的 8

大多数图神经网络的核心计算机制是什么？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. 大多数图神经网络的核心计算机制是什么？
    • 相邻节点之间的消息传递和聚合
    • 在固定像素网格上滑动卷积
    • 自回归下一个标记预测
    • 没有学习的随机游走
  2. 为什么 GNN 的邻居聚合函数必须是排列不变的？
    • 为了让训练更快
    • 因为图的邻居没有固有的顺序
    • 因为图总是有向的
    • 将参数数量减少到一个
  3. 深度 GNN 中的“过度平滑”指的是什么？
    • 图像变得模糊
    • 图表失去了边缘
    • 随着层数的增加，节点嵌入几乎相同
    • 梯度爆炸到无穷大
  4. 图注意力网络与基本 GCN 层有何不同？
    • 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. 在应用于分子的 GNN 中，节点和边通常代表什么？
    • 原子和化学键
    • 像素和颜色
    • 单词和句子
    • 用户和帖子
  6. 经过 L 个消息传递层后，信息可以传输多少跳到节点？
    • 始终恰好一跳
    • 最多 L 跳
    • 整个图在一个层中
    • 零跳
  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