Una Red de Atención de Grafos Temporalmente Aumentada para la Clasificación de Posibilidades de Acción

A Temporally Augmented Graph Attention Network for Affordance Classification

April 11, 2026

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

cs.AI

Resumen

Las redes de atención en grafos (GATs) constituyen uno de los mejores marcos para aprender representaciones de nodos en datos relacionales; sin embargo, variantes existentes como Graph Attention Network (GAT) operan principalmente en grafos estáticos y dependen de agregación temporal implícita cuando se aplican a datos secuenciales. En este artículo, presentamos EEG-temporal Graph Attention Network (EEG-tGAT), una formulación aumentada temporalmente de GATv2 adaptada para la clasificación de afordanzas a partir de secuencias de interacción. El modelo propuesto incorpora atención temporal para modular la contribución de diferentes segmentos de tiempo y *dropout* temporal para regular el aprendizaje entre observaciones temporalmente correlacionadas. El diseño refleja la suposición de que las dimensiones temporales en los datos de afordanza no son semánticamente uniformes y que la información discriminativa puede estar distribuida de manera desigual en el tiempo. Los resultados experimentales en conjuntos de datos de afordanza muestran que EEG-tGAT logra un mejor rendimiento de clasificación en comparación con GATv2. Las mejoras observadas ayudan a concluir que la codificación explícita de la importancia temporal y la aplicación de robustez temporal introducen sesgos inductivos que están mucho mejor alineados con la estructura de los datos de interacción basados en afordanzas. Estos hallazgos demuestran que modificaciones arquitectónicas modestas en los modelos de atención en grafos pueden ayudar a obtener beneficios consistentes cuando las relaciones temporales juegan un papel no trivial en la tarea.

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.