点の相互作用と次元は、階層的な3Dモデルをサポートするためのポイント演算子設計における2つの重要な軸です。しかし、これらの2つの軸は異質であり、完全に探索することが困難です。既存の研究では、単一の軸に基づいてポイント演算子を設計し、その演算子を3Dモデルのすべての部分で再利用しています。これにより、3Dポイントクラウドの異なる幾何学的形状や密度を利用して点の相互作用と次元をよりよく組み合わせる機会が見逃されています。本研究では、PIDS（Point Interaction and Dimension Search）という新しいパラダイムを確立し、ポイントクラウドデータ上のセマンティックセグメンテーションに役立てるために、点の相互作用と次元を共同で探索します。私たちは多様な点の相互作用と次元を総合的に考慮する大規模な探索空間を構築しました。これにより、さまざまな幾何学的形状や密度に関する考慮事項を持つポイント演算子をサポートできます。異質な探索コンポーネントを持つ拡大された探索空間は、候補モデルのランキング改善が必要となります。これを達成するために、予測器ベースのニューラルアーキテクチャサーチ（NAS: Neural Architecture Search）を利用することで探索空間の探索を改善し、各異質な探索コンポーネントに対してその事前知識に基づく独自のエンコーディングを割り当てることで予測品質を向上させました。私たちはPIDSによって設計されたネットワークを2つのセマンティックセグメンテーションベンチマークで評価し、SemanticKITTIおよびS3DISにおいて最新の3Dモデルよりも約1% mIOU（Mean Intersection over Union）が向上することを示しました。