Emory提出最新PolygonGNN框架：可捕捉通用多边形内外的空间关系 | KDD 2024

AIGC动态欢迎阅读

原标题：Emory提出最新PolygonGNN框架：可捕捉通用多边形内外的空间关系 | KDD 2024
关键字：多边形,表征,几何,表示,节点
文章来源：新智元
内容字数：0字

内容摘要：

新智元报道编辑：LRST
【新智元导读】PolygonGNN是一种新型框架，用于学习包括单一和多重多边形在内的多边形几何体的表征，它通过异质可见图来捕捉多边形内外的空间关系，并利用图神经网络有效处理这些关系，以提高计算效率和泛化能力。该框架在五个数据集上表现出色，证明了其在捕捉多边形几何体有用表征方面的有效性。图像作为一种直观普遍的数据类型被广泛应用于各种任务场景中。图像既可以表示自然界中物体，也可以表示建筑、机械部件等人造几何物体。然而对于几何物体来说，使用多边形表示比图像既节省空间又更加精确。多边形表示几何物体的例子
地图上的建筑物：想象在二维地图上有一座矩形房屋，当作为图像表示时，这幢房屋可能需要占用数百个像素，然而只有边框的黑线才是有用的信息。多边形表示只需记录四个角的坐标和它们的连接顺序，就能准确描绘出房屋的形状。
雪花分形图案：当我们放大观察分形深层结构时，分形边缘会变得模糊。而多边形表示则可以轻松记录任意多的坐标点来展示深层的分形细节。
这些例子说明了，使用多边形表示几何物体比图像更有优势，特别是在需要精确性和数据效率的场景中。
多边形表征学习捕捉和编码输入多边形几何体

原文链接：Emory提出最新PolygonGNN框架：可捕捉通用多边形内外的空间关系 | KDD 2024

联系作者

文章来源：新智元
作者微信：
作者简介：