论文页面 - 用于效能分类的时间增强图注意力网络

来源: https://huggingface.co/papers/2604.10149

摘要

EEG-tGAT 通过融入时间注意力和 dropout 机制增强了图注意力网络，以改进从交互序列的效能分类。

图注意力网络（GAT）为学习关系数据中的节点表示提供了最佳框架之一；但是，现有变体如图注意力网络（GAT）主要在静态图上运行，在应用于序列数据时依赖隐式的时间聚合。在本文中，我们介绍了脑电图-时间图注意力网络（EEG-tGAT），这是 GATv2 针对从交互序列进行效能分类而定制的时间增强表述。所提出的模型融入了时间注意力来调节不同时间段的贡献，以及时间 dropout 来规范化跨时间相关观测的学习。该设计反映了这样的假设：效能数据中的时间维度在语义上不是均匀的，且判别信息可能在时间上分布不均。在效能数据集上的实验结果表明，EEG-tGAT 相比 GATv2 实现了改进的分类性能。观察到的收益帮助我们得出结论：显式编码时间重要性和强制时间鲁棒性引入了与效能驱动交互数据结构更好对齐的归纳偏置。这些发现向我们表明，对图注意力模型的适度架构改变可以在时间关系在任务中起重要作用时帮助获得一致的收益。

查看 arXiv 页面 (https://arxiv.org/abs/2604.10149) 查看 PDF (https://arxiv.org/pdf/2604.10149) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2604.10149)

在您的代理中获取本论文：

hf papers read 2604.10149

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有链接此论文的模型

在模型 README.md 中引用 arxiv.org/abs/2604.10149 以从此页面链接它。

引用此论文的数据集 0

没有链接此论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2604.10149 以从此页面链接它。

引用此论文的 Spaces 0

没有链接此论文的 Space

在 Space README.md 中引用 arxiv.org/abs/2604.10149 以从此页面链接它。

包含此论文的收藏 0

没有收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接它。