Fugu-MT 論文翻訳(概要): A Temporally Augmented Graph Attention Network for Affordance Classification

論文の概要: A Temporally Augmented Graph Attention Network for Affordance Classification

arxiv url: http://arxiv.org/abs/2604.10149v1
Date: Sat, 11 Apr 2026 10:44:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-14 20:13:15.872793
Title: A Temporally Augmented Graph Attention Network for Affordance Classification
Title（参考訳）: Affordance 分類のための時間拡張グラフアテンションネットワーク
Authors: Ami Chopra, Supriya Bordoloi, Shyamanta M. Hazarika,
Abstract要約: 脳波時空間グラフ注意ネットワーク(EEG-tGAT)について紹介する。 EEG-tGATはGATv2の時間的に増強された定式化であり、相互作用配列の割当分類に適したものである。その結果,EEG-tGATはGATv2と比較して分類性能が向上した。
参考スコア（独自算出の注目度）: 0.254890465057467
License: http://creativecommons.org/licenses/by/4.0/
Abstract: 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.
Abstract（参考訳）: グラフアテンションネットワーク(GAT)は、リレーショナルデータにおけるノード表現を学習するための最良のフレームワークの1つであるが、グラフアテンションネットワーク(GAT)のような既存の変種は、主に静的グラフで動作し、シーケンシャルデータに適用した場合、暗黙の時間的アグリゲーションに依存している。本稿では,脳波・時空間グラフ注意ネットワーク(EEG-tGAT)について紹介する。提案モデルは時間的注意を取り入れて,時間的関係の異なる部分の寄与を調節し,時間的に相関した観察を通して学習を規則化する。この設計は、空きデータの時間次元が意味的に均一ではなく、識別情報が時間にわたって不均一に分散される可能性があるという仮定を反映している。その結果,EEG-tGATはGATv2と比較して分類性能が向上した。観察された利得は、時間的重要性を明示的に符号化し、時間的ロバスト性を強制することは、余剰駆動の相互作用データの構造とよりよく一致した帰納的バイアスをもたらすと結論付けるのに役立つ。これらの結果から,時間的関係がタスクにおいて非自明な役割を担っている場合,グラフアテンションモデルに対する最小限のアーキテクチャ変更が一貫した利益を得るのに役立つことが示唆された。

関連論文リスト

THeGCN: Temporal Heterophilic Graph Convolutional Network [51.25112923442657]
本研究では,時間的ヘテロフィルグラフ畳み込みネットワーク(THeGCN)を提案し,両端(空間)ヘテロフィリーと時間的ヘテロフィリーを正確に捉える。 THeGCNモデルは2つの重要なコンポーネントで構成されている。 5つの実世界のデータセットで実施された大規模な実験により、THeGCNの有効性が検証された。
論文参考訳（メタデータ） (2024-12-21T01:52:03Z)
Conditional Distribution Learning on Graphs [15.730933577970687]
半教師付きグラフ分類のためのグラフ構造化データからグラフ表現を学習する条件分布学習(CDL)法を提案する。具体的には、元の特徴に対して弱機能および強拡張機能の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。
論文参考訳（メタデータ） (2024-11-20T07:26:36Z)
Inference of Sequential Patterns for Neural Message Passing in Temporal Graphs [0.6562256987706128]
HYPA-DBGNNは、グラフ上の時系列データにおける異常なシーケンシャルパターンの推論を組み合わせた、新しい2段階のアプローチである。本手法は超幾何グラフアンサンブルを利用して1階グラフと高階グラフの両方において異常なエッジを同定する。我々の研究は、時間的および因果配列異常を利用した統計的に情報を得たGNNを初めて導入した。
論文参考訳（メタデータ） (2024-06-24T11:41:12Z)
Learning Time-aware Graph Structures for Spatially Correlated Time Series Forecasting [30.93275270960829]
本稿では時系列間の時間認識相関を抽出する時間認識グラフ構造学習(TagSL)を提案する。グラフ畳み込みに基づくGated Recurrent Unit (GCGRU) も提案する。最後に,TagSLとGCGRUを組み合わせたTGCRN(Time-aware Graph Convolutional Recurrent Network)という統合フレームワークを導入し,マルチステップ時間予測のためのエンコーダデコーダアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-12-27T04:23:43Z)
Asynchronous Graph Generator [0.0]
AGGは、学習可能な埋め込みを通じて、ノード内の計測、タイムスタンプ、チャネル固有の機能をエンコードする。 AGGは、例えば、所定のタイムスタンプとチャネル仕様に条件付けされた新しいノードを作成することで、エンプレクショナルアテンション生成による計算を実行する。実験の結果、AGGは、ベンチマークデータセットであるemphBeijing Air Quality、emphPhysioNet ICU 2012、emphUCIローカライゼーションにおいて、時系列の計算、分類、予測において最先端の結果を達成し、近年の注目を集めていることがわかった。
論文参考訳（メタデータ） (2023-09-29T15:46:41Z)
Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文参考訳（メタデータ） (2023-05-18T06:17:50Z)
Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
論文参考訳（メタデータ） (2023-02-15T06:36:04Z)
Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文参考訳（メタデータ） (2022-06-28T08:11:12Z)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)
Inductive Representation Learning on Temporal Graphs [33.44276155380476]
時間的動的グラフは、新しいノードの処理と時間的パターンのキャプチャを必要とする。本研究では,時間-トポロジ的特徴を効率的に集約する時間グラフアテンション層を提案する。 TGAT層を積み重ねることで、ネットワークはノードの埋め込みを時間の関数として認識し、新しいノードと観測されたノードの両方の埋め込みを誘導的に推論することができる。
論文参考訳（メタデータ） (2020-02-19T02:05:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。