Временная расширенная графовая сеть внимания для классификации аффордансов

A Temporally Augmented Graph Attention Network for Affordance Classification

April 11, 2026

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

cs.AI

Аннотация

Графовые сети внимания (GAT) представляют собой один из наиболее эффективных подходов к обучению представлений узлов в реляционных данных; однако существующие варианты, такие как Graph Attention Network (GAT), в основном работают со статическими графами и полагаются на неявную временную агрегацию при применении к последовательным данным. В данной статье мы представляем электроэнцефалографическо-временную графовую сеть внимания (EEG-tGAT) — временно расширенную версию GATv2, адаптированную для классификации аффордансов по последовательностям взаимодействий. Предложенная модель включает временное внимание для модуляции вклада различных временных сегментов и временное исключение (dropout) для регуляризации обучения на временно коррелированных наблюдениях. Конструкция отражает предположение о том, что временные измерения в данных об аффордансах не являются семантически однородными, а дискриминативная информация может быть неравномерно распределена во времени. Результаты экспериментов на наборах данных по аффордансам показывают, что EEG-tGAT достигает более высокой точности классификации по сравнению с GATv2. Наблюдаемое улучшение позволяет заключить, что явное кодирование временной важности и обеспечение временной устойчивости вводят индуктивные смещения, которые гораздо лучше соответствуют структуре данных взаимодействий, управляемых аффордансами. Эти результаты демонстрируют, что даже умеренные архитектурные изменения в моделях графового внимания могут обеспечить устойчивое преимущество в задачах, где временные отношения играют существенную роль.

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.