近年来，多边形表示学习在形状编码、建筑模式分类和地理问答等多个应用领域中发挥着重要作用。然而，尽管该领域取得了显著进展，但大部分研究主要关注单个多边形，而忽视了多边形之间复杂的内在和外在关系。为了解决这一问题，Emory大学的研究团队提出了一种名为PolygonGNN的全面框架，专门用于学习多边形几何表示，特别是多多边形。
PolygonGNN的核心思想是引入异质可见性图，该图能够无缝地整合多边形内部和外部的关系。为了提高计算效率并减少图的冗余，研究团队还提出了一种异质生成树采样方法。此外，他们还设计了一种旋转平移不变的几何表示，以确保在各种场景中的广泛应用。
为了充分利用可见性图中固有的空间和语义异质性，研究团队还提出了一种名为Multipolygon-GNN的新型模型。该模型能够有效地捕捉多边形几何的有用表示。
为了验证PolygonGNN的有效性，研究团队在五个真实世界和合成数据集上进行了实验。实验结果表明，PolygonGNN能够有效地学习多边形几何的有用表示，并在多个任务上取得了令人满意的结果。
然而，尽管PolygonGNN在多边形表示学习方面取得了显著进展，但仍存在一些局限性。首先，PolygonGNN主要关注多边形的几何特征，而没有考虑其他可能对表示学习有重要影响的因素，如拓扑结构或语义信息。其次，PolygonGNN的计算复杂度可能随着多边形数量的增加而迅速增长，这可能限制其在大规模场景中的应用。
