SE-VGAE: Aprendizaje de Representaciones Desenredadas No Supervisado para la Generación de Grafos de Diseño de Disposición Arquitectónica Interpretable

A pesar de la idoneidad de los grafos para capturar las estructuras relacionales inherentes en los diseños de disposición arquitectónica, existe una notable escasez de investigación sobre la interpretación del espacio de diseño arquitectónico utilizando aprendizaje de representación basado en grafos y la exploración de la generación de grafos de diseño arquitectónico. Concurrentemente, el aprendizaje de representaciones desenredadas en la generación de grafos enfrenta desafíos como la invariancia a la permutación de nodos y la expresividad de la representación. Para abordar estos desafíos, introducimos un marco de aprendizaje de representación desenredado no supervisado, el Auto-Encoder Variacional Aumentado por Bordes Basado en Estilo (SE-VGAE), con el objetivo de generar disposiciones arquitectónicas en forma de multigrafos de adyacencia atribuida mientras se prioriza el desenredo de la representación. El marco está diseñado con tres pipelines alternativos, cada uno integrando un codificador aumentado por bordes basado en transformadores, un módulo de desenredo del espacio latente y un decodificador basado en estilo. Estos componentes facilitan colectivamente la descomposición de los factores latentes que influyen en la generación de grafos de diseño arquitectónico, mejorando la fidelidad y diversidad de la generación. También proporcionamos ideas para optimizar el marco explorando sistemáticamente esquemas de aumento de características de grafos y evaluando su efectividad para desenredar la representación de disposiciones arquitectónicas a través de experimentos exhaustivos. Además, contribuimos con un nuevo conjunto de datos de grafos de disposición arquitectónica a gran escala extraído de imágenes de planos de planta del mundo real para facilitar la exploración de la interpretación del espacio de representación de diseño arquitectónico basado en datos de grafos. Este estudio ha sido pionero en el aprendizaje de representaciones desenredadas para la generación de grafos de disposición arquitectónica. El código y el conjunto de datos de este estudio serán de código abierto.