Crowdly

Додати до Chrome

365.240, VL Artificial Intelligence in Life Sciences, Sohvi Iiri Maria Luukkonen / Günter Klambauer, 2026S

Шукаєте відповіді та рішення тестів для 365.240, VL Artificial Intelligence in Life Sciences, Sohvi Iiri Maria Luukkonen / Günter Klambauer, 2026S? Перегляньте нашу велику колекцію перевірених відповідей для 365.240, VL Artificial Intelligence in Life Sciences, Sohvi Iiri Maria Luukkonen / Günter Klambauer, 2026S в moodle.jku.at.

Отримайте миттєвий доступ до точних відповідей та детальних пояснень для питань вашого курсу. Наша платформа, створена спільнотою, допомагає студентам досягати успіху!

Why are sum, mean, and max pooling suitable readout operations for graph-level molecular prediction?

Their output does not depend on the arbitrary ordering of nodes in the molecular graph.

100%

They make the readout independent of node order by sorting node representations before pooling.

They preserve a separate output position for every atom, allowing graph predictions to change when atoms are reordered.

Переглянути це питання

What is a consequence of converting continuous bioactivity values into active/inactive labels using a threshold?

Quantitative differences within each class are discarded, and the resulting class balance depends on the selected threshold.

100%

Ranking within the active and inactive classes is preserved because the original continuous values are still used for training.

Measurement noise near the threshold no longer matters because each compound receives a discrete label.

Переглянути це питання