アフォーダンス分類のための時系列拡張グラフ注意ネットワーク

要旨: グラフ注意ネットワーク（Graph Attention Networks, GATs）は、リレーショナルデータにおけるノード表現の学習のための最良の枠組みの一つを提供しますが、既存の派生であるGraph Attention Network（GAT）は主に静的グラフ上で動作し、逐次データに適用した場合には暗黙的な時間的集約に依存しています。本論文では、相互作用系列からのアフォーダンス分類のために特化した、GATv2の時間的拡張定式化であるElectroencephalography-temporal Graph Attention Network（EEG-tGAT）を提案します。提案モデルは、異なる時系列区間の寄与を調整するための時間的注意機構と、時間的に相関する観測にまたがって学習を正則化するための時間的ドロップアウトを組み込みます。この設計は、アフォーダンスデータにおける時間次元が意味的に一様ではないという仮定、ならびに識別情報が時間にわたって不均一に分布している可能性があるという考え方を反映しています。アフォーダンスデータセットに対する実験結果は、EEG-tGATがGATv2と比較して分類性能が向上することを示します。観測された改善は、時間的な重要性を明示的に符号化し、時間的頑健性を強制することが、アフォーダンスに基づく相互作用データの構造により適合した帰納バイアスをもたらすことを結論づけるのに役立ちます。これらの知見は、タスクにおいて時間的関係が非自明な役割を果たす場合、グラフ注意モデルに対する小規模なアーキテクチャ変更によって一貫した恩恵を得られる可能性があることを示しています。