Un réseau d'attention graphique temporellement augmenté pour la classification d'affordances

A Temporally Augmented Graph Attention Network for Affordance Classification

April 11, 2026

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

cs.AI

Résumé

Les réseaux d'attention sur graphes (GATs) constituent l'un des meilleurs cadres pour l'apprentissage de représentations de nœuds dans des données relationnelles ; cependant, les variantes existantes telles que le Graph Attention Network (GAT) opèrent principalement sur des graphes statiques et reposent sur une agrégation temporelle implicite lorsqu'elles sont appliquées à des données séquentielles. Dans cet article, nous présentons l'EEG-temporal Graph Attention Network (EEG-tGAT), une formulation temporellement augmentée de GATv2 conçue pour la classification d'affordances à partir de séquences d'interaction. Le modèle proposé intègre une attention temporelle pour moduler la contribution de différents segments temporels et un abandon temporel pour régulariser l'apprentissage sur des observations temporellement corrélées. Cette conception reflète l'hypothèse que les dimensions temporelles dans les données d'affordance ne sont pas sémantiquement uniformes et que l'information discriminante peut être inégalement répartie dans le temps. Les résultats expérimentaux sur des jeux de données d'affordance montrent qu'EEG-tGAT obtient une meilleure performance de classification comparé à GATv2. Les gains observés permettent de conclure que l'encodage explicite de l'importance temporelle et l'imposition d'une robustesse temporelle introduisent des biais inductifs bien mieux alignés avec la structure des données d'interaction pilotées par les affordances. Ces résultats montrent que des modifications architecturales modestes des modèles d'attention sur graphes peuvent permettre d'obtenir des bénéfices constants lorsque les relations temporelles jouent un rôle non négligeable dans la tâche.

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.