想象一组由顶点坐标对给出的简单（非自相交）多边形$[(x_1, y_1), (x_2, y_2), \dots,(x_n, y_n)]$. 集合中的多边形具有不同数量的顶点。

如何使用机器学习来解决这些多边形的各种监督回归和分类问题，例如预测它们的面积、周长、质心坐标、多边形是否凸面、质心在内部还是外部等？

大多数机器学习算法需要相同大小的输入，但我的输入具有不同数量的坐标。这可能由循环神经网络处理。但是，我的输入向量的坐标可以在不改变输入含义的情况下进行循环移动。例如，

哪种机器学习算法既不改变其输入坐标的循环移位，又可以处理不同大小的输入？

直观地说，算法可以学习将每个多边形分割成不重叠的三角形，计算每个三角形的面积或周长，然后在输出层的某处聚合这些计算。但是，标签（面积或周长）仅适用于整个多边形，而不适用于三角形。此外，多边形的周长不是三角形周长的总和。用三角形来思考这个问题是否具有误导性？

您能否提供有关解决此类任务的机器学习算法的参考资料？或任何建议，如何处理这项任务？它不必是神经网络，也不必学习精确的解析公式。大概的结果就足够了。