시간 증강 그래프 어텐션 네트워크를 이용한 어포던스 분류

A Temporally Augmented Graph Attention Network for Affordance Classification

April 11, 2026

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

cs.AI

초록

그래프 주의력 네트워크(GAT)는 관계형 데이터에서 노드 표현을 학습하기 위한 최적의 프레임워크 중 하나를 제공하지만, 그래프 주의력 네트워크(GAT)와 같은 기존 변형들은 주로 정적 그래프에서 동작하며 순차 데이터에 적용될 때 암묵적인 시간적 집계에 의존합니다. 본 논문에서는 상호작용 시퀀스로부터 어포던스 분류를 위해 특수 설계된 GATv2의 시간적 증강 형식인 EEG-시간적 그래프 주의력 네트워크(EEG-tGAT)를 소개합니다. 제안된 모델은 서로 다른 시간 세그먼트의 기여도를 조절하는 시간적 주의력과 시간적으로 상관된 관측치 간 학습을 정규화하는 시간적 드롭아웃을 통합합니다. 이 설계는 어포던스 데이터의 시간적 차원이 의미론적으로 균일하지 않으며 판별 정보가 시간에 따라 불균등하게 분포될 수 있다는 가정을 반영합니다. 어포던스 데이터셋에 대한 실험 결과는 EEG-tGAT가 GATv2 대비 향상된 분류 성능을 달성함을 보여줍니다. 관찰된 성능 향상을 통해 시간적 중요성을 명시적으로 인코딩하고 시간적 강건성을 강화하는 것이 어포던스 주도 상호작용 데이터의 구조와 훨씬 더 잘 부합하는 귀납적 편향을 도입한다는 결론을 내리는 데 도움이 됩니다. 이러한 발견은 그래프 주의력 모델에 대한 적절한 구조적 변경이 작업에서 시간적 관계가 중요한 역할을 할 때 일관된 이점을 얻는 데 도움이 될 수 있음을 보여줍니다.

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.