Ein zeitlich erweiterter Graph-Attention-Netzwerk-Ansatz zur Affordance-Klassifikation

A Temporally Augmented Graph Attention Network for Affordance Classification

April 11, 2026

Autoren: Ami Chopra, Supriya Bordoloi, Shyamanta M. Hazarika

cs.AI

Zusammenfassung

Graph-Attention-Networks (GATs) stellen eines der besten Frameworks zum Erlernen von Knotenrepräsentationen in relationalen Daten dar; bestehende Varianten wie das Graph Attention Network (GAT) operieren jedoch hauptsächlich auf statischen Graphen und stützen sich bei der Anwendung auf sequentielle Daten auf implizite zeitliche Aggregation. In diesem Artikel stellen wir das Electroencephalography-temporal Graph Attention Network (EEG-tGAT) vor, eine zeitlich erweiterte Formulierung von GATv2, die speziell für die Affordance-Klassifikation aus Interaktionssequenzen entwickelt wurde. Das vorgeschlagene Modell integriert temporale Aufmerksamkeit, um den Beitrag verschiedener Zeitsegmente zu modulieren, sowie temporale Dropout-Regularisierung, um das Lernen über zeitlich korrelierte Beobachtungen hinweg zu stabilisieren. Das Design spiegelt die Annahme wider, dass die zeitlichen Dimensionen in Affordance-Daten nicht semantisch einheitlich sind und dass diskriminative Informationen ungleichmäßig über die Zeit verteilt sein können. Experimentelle Ergebnisse auf Affordance-Datensätzen zeigen, dass EEG-tGAT eine verbesserte Klassifikationsleistung im Vergleich zu GATv2 erzielt. Die beobachteten Gewinne helfen zu dem Schluss, dass die explizite Kodierung temporaler Bedeutung und die Erzwingung temporaler Robustheit induktive Verzerrungen einführen, die viel besser an die Struktur von affordanzgesteuerten Interaktionsdaten angepasst sind. Diese Ergebnisse zeigen, dass bereits moderate architektonische Änderungen an Graph-Attention-Modellen konsistente Vorteile bringen können, wenn zeitliche Beziehungen eine bedeutende Rolle in der Aufgabe spielen.

English

Graph attention networks (GATs) provide one of the best frameworks for learning node representations in relational data; but, existing variants such as Graph Attention Network (GAT) mainly operate on static graphs and rely on implicit temporal aggregation when applied to sequential data. In this paper, we introduce Electroencephalography-temporal Graph Attention Network (EEG-tGAT), a temporally augmented formulation of GATv2 that is tailored for affordance classification from interaction sequences. The proposed model incorporates temporal attention to modulate the contribution of different time segments and temporal dropout to regularize learning across temporally correlated observations. The design reflects the assumption that temporal dimensions in affordance data are not semantically uniform and that discriminative information may be unevenly distributed across time. Experimental results on affordance datasets show that EEG-tGAT achieves improved classification performance compared to GATv2. The observed gains helps to conclude that explicitly encoding temporal importance and enforcing temporal robustness introduce inductive biases that are much better aligned with the structure of affordance-driven interaction data. These findings show us that modest architectural changes to graph attention models can help one obtain consistent benefits when temporal relationships play a nontrivial role in the task.