Een Temporeel Uitgebreid Grafiek-Aandachtsnetwerk voor Affordance-classificatie

A Temporally Augmented Graph Attention Network for Affordance Classification

April 11, 2026

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

cs.AI

Samenvatting

Graph Attention Networks (GAT's) bieden een van de beste kaders voor het leren van knooppuntsrepresentaties in relationele gegevens; bestaande varianten zoals de Graph Attention Network (GAT) werken echter voornamelijk op statische grafen en vertrouwen op impliciete temporele aggregatie wanneer ze worden toegepast op sequentiële gegevens. In dit artikel introduceren we het Electro-encephalografie-temporele Graph Attention Network (EEG-tGAT), een temporeel uitgebreide formulering van GATv2 die is toegesneden op affordantieclassificatie vanuit interactiesequenties. Het voorgestelde model integreert temporele aandacht om de bijdrage van verschillende tijdsegmenten te moduleren en temporele dropout om het leren over temporeel gecorreleerde observaties te regulariseren. Het ontwerp weerspiegelt de veronderstelling dat temporele dimensies in affordantiegegevens niet semantisch uniform zijn en dat discriminerende informatie ongelijk verdeeld kan zijn in de tijd. Experimentele resultaten op affordantiedatasets tonen aan dat EEG-tGAT een verbeterde classificatieprestatie bereikt in vergelijking met GATv2. De waargenomen winst helpt te concluderen dat het expliciet coderen van temporeel belang en het afdwingen van temporele robuustheid inductieve vooroordelen introduceren die veel beter zijn afgestemd op de structuur van affordantie-gedreven interactiegegevens. Deze bevindingen tonen aan dat bescheiden architecturale wijzigingen aan graph attention-modellen consistente voordelen kunnen opleveren wanneer temporele relaties een significante rol spelen in de taak.

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.