Una Rete di Attenzione su Grafo Temporalmente Aumentata per la Classificazione di Affordance

A Temporally Augmented Graph Attention Network for Affordance Classification

April 11, 2026

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

cs.AI

Abstract

Le reti ad attenzione su grafi (GAT) forniscono uno dei migliori framework per l'apprendimento di rappresentazioni nodali in dati relazionali; tuttavia, le varianti esistenti come la Graph Attention Network (GAT) operano principalmente su grafi statici e si basano su aggregazione temporale implicita quando applicate a dati sequenziali. In questo articolo, introduciamo la EEG-temporal Graph Attention Network (EEG-tGAT), una formulazione temporalmente aumentata di GATv2 concepita specificamente per la classificazione di affordance a partire da sequenze di interazione. Il modello proposto incorpora un'attenzione temporale per modulare il contributo di diversi segmenti temporali e un dropout temporale per regolarizzare l'apprendimento su osservazioni temporalmente correlate. La progettazione riflette l'assunzione che le dimensioni temporali nei dati di affordance non siano semanticamente uniformi e che le informazioni discriminative possano essere distribuite in modo non uniforme nel tempo. I risultati sperimentali su dataset di affordance mostrano che EEG-tGAT raggiunge prestazioni di classificazione migliorate rispetto a GATv2. I miglioramenti osservati aiutano a concludere che la codifica esplicita dell'importanza temporale e l'imposizione di robustezza temporale introducono bias induttivi molto meglio allineati con la struttura dei dati di interazione guidata da affordance. Questi risultati dimostrano che modeste modifiche architetturali ai modelli di attenzione su grafi possono aiutare a ottenere benefici consistenti quando le relazioni temporali svolgono un ruolo non banale nel compito.

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.