面向多边形几何的通用表征学习

基于摘要分析。本文研究 GeoAI 中复杂多边形的通用表征学习，目标是将有孔或无孔、单个或多个多边形编码为可供下游任务直接使用或微调的嵌入。作者提出空间域编码器 ResNet1D 和谱域编码器 NUFTspec，比较二者对局部形状、全局结构及几何不变性的建模能力。 作者将环起点不变性、冗余顶点不变性、组成部分排列不变性与拓扑感知列为编码器的期望性质。ResNet1D 基于一维 CNN，利用循环填充实现简单多边形的环起点不变性，侧重捕捉局部形状细节；NUFTspec 基于 Non-Uniform Fourier Transformation（NUFT），作者称其自然满足上述性质，并能联合表征多多边形的各组成部分及其空间关系。摘要未提供具体损失、训练配置或预训练协议，不能将其视为已发布的预训练模型。 实验涵盖基于 MNIST 的多边形形状分类，以及基于 DBSR-46K、DBSR-cplx46K 的多边形空间关系预测；后两者由 OpenStreetMap 和 DBpedia 构建。作者报告，两种方法均明显优于多个已有基线，但摘要未列出具体指标、分数或划分。作者还报告，在保持形状不变的几何修改后，ResNet1D 性能下降，而 NUFTspec 更稳健；ResNet1D 则能识别某些对分类重要的形状细节。这支持进一步考察空间域与谱域表征的互补性，但尚不等于二者融合的效果已得到验证。 本文的直接研究对象是多边形几何，而非 EEG 时序或 BCI 解码。其几何不变性也不能直接等同于跨被试或跨会话鲁棒性；现有材料不足以建立具体迁移路径，因此不提出 BCI 复现实验建议。实验协议、基线配置、消融及统计信息尚未验证，代码与复现条件亦需查阅全文确认。