Uma Rede de Atenção em Grafos Temporalmente Aumentada para Classificação de Afordâncias

A Temporally Augmented Graph Attention Network for Affordance Classification

April 11, 2026

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

cs.AI

Resumo

As redes de atenção em grafos (GATs) fornecem um dos melhores frameworks para aprender representações de nós em dados relacionais; porém, variantes existentes, como a Graph Attention Network (GAT), operam principalmente em grafos estáticos e dependem de agregação temporal implícita quando aplicadas a dados sequenciais. Neste artigo, introduzimos a EEG-temporal Graph Attention Network (EEG-tGAT), uma formulação temporalmente aumentada da GATv2 que é adaptada para a classificação de *affordances* a partir de sequências de interação. O modelo proposto incorpora atenção temporal para modular a contribuição de diferentes segmentos de tempo e *dropout* temporal para regularizar o aprendizado em observações temporalmente correlacionadas. O projeto reflete a suposição de que as dimensões temporais em dados de *affordance* não são semanticamente uniformes e que a informação discriminativa pode estar distribuída de forma desigual ao longo do tempo. Resultados experimentais em conjuntos de dados de *affordance* mostram que a EEG-tGAT alcança um desempenho de classificação melhorado em comparação com a GATv2. Os ganhos observados ajudam a concluir que codificar explicitamente a importância temporal e impor robustez temporal introduzem vieses indutivos muito mais alinhados com a estrutura de dados de interação orientados por *affordance*. Essas descobertas mostram que mudanças arquiteturais modestas nos modelos de atenção em grafos podem ajudar a obter benefícios consistentes quando as relações temporais desempenham um papel significativo na tarefa.

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.