Introduzione del modello EEG-tGAT per la classificazione delle affordance da sequenze di interazione

Una nuova rete di attenzione a grafo, denominata EEG-tGAT, è stata sviluppata per la classificazione delle affordance attraverso sequenze di interazione. Questo modello innovativo potenzia il framework GATv2 aggiungendo meccanismi di attenzione temporale che modulano l'influenza dei diversi segmenti temporali. Inoltre, viene utilizzato il temporal dropout per regolarizzare l'apprendimento da osservazioni temporalmente correlate. Questo approccio affronta la distribuzione semantica non uniforme delle dimensioni temporali nei dati di affordance, dove le informazioni rilevanti possono essere distribuite in modo incoerente nel tempo. I test sui dataset di affordance dimostrano che EEG-tGAT offre prestazioni superiori. La ricerca è stata pubblicata su arXiv con l'identificatore 2604.10149v1, classificata come annuncio incrociato. Le tradizionali reti di attenzione a grafo eccellono nell'apprendimento delle rappresentazioni dei nodi nei dati relazionali, ma modelli esistenti come GAT operano principalmente su grafi statici e dipendono dall'aggregazione temporale implicita per i dati sequenziali.