Emory提出最新PolygonGNN框架：可捕捉通用多邊形內外的空間關系 | KDD 2024

AIGC動態歡迎閱讀

原標題：Emory提出最新PolygonGNN框架：可捕捉通用多邊形內外的空間關系 | KDD 2024
關鍵字：多邊形,表征,幾何,表示,節點
文章來源：新智元
內容字數：0字

內容摘要：

新智元報道編輯：LRST
【新智元導讀】PolygonGNN是一種新型框架，用于學習包括單一和多重多邊形在內的多邊形幾何體的表征，它通過異質可見圖來捕捉多邊形內外的空間關系，并利用圖神經網絡有效處理這些關系，以提高計算效率和泛化能力。該框架在五個數據集上表現出色，證明了其在捕捉多邊形幾何體有用表征方面的有效性。圖像作為一種直觀普遍的數據類型被廣泛應用于各種任務場景中。圖像既可以表示自然界中物體，也可以表示建筑、機械部件等人造幾何物體。然而對于幾何物體來說，使用多邊形表示比圖像既節省空間又更加精確。多邊形表示幾何物體的例子
地圖上的建筑物：想象在二維地圖上有一座矩形房屋，當作為圖像表示時，這幢房屋可能需要占用數百個像素，然而只有邊框的黑線才是有用的信息。多邊形表示只需記錄四個角的坐標和它們的連接順序，就能準確描繪出房屋的形狀。
雪花分形圖案：當我們放大觀察分形深層結構時，分形邊緣會變得模糊。而多邊形表示則可以輕松記錄任意多的坐標點來展示深層的分形細節。
這些例子說明了，使用多邊形表示幾何物體比圖像更有優勢，特別是在需要精確性和數據效率的場景中。
多邊形表征學習捕捉和編碼輸入多邊形幾何體

原文鏈接：Emory提出最新PolygonGNN框架：可捕捉通用多邊形內外的空間關系 | KDD 2024

聯系作者

文章來源：新智元
作者微信：
作者簡介：