على الرغم من التقدم الأخير في تصنيف سحابات النقاط ثلاثية الأبعاد باستخدام الشبكات العصبية العميقة (CNN)، تبقى التحولات الهندسية الكبيرة مثل الدوران والانزلاق تحديًا كبيرًا، وتؤثر سلبًا على أداء التصنيف النهائي. وللتغلب على هذا التحدي، نقترح شبكة تُسمى "شبكة مشاركة الهندسة" (GS-Net)، التي تتعلم بفعالية وصفات النقاط باستخدام سياق شامل، مما يعزز المقاومة تجاه التحولات الهندسية. على عكس الشبكات العصبية ثلاثية الأبعاد السابقة التي تقوم بال.Convolution على النقاط القريبة، يمكن لـ GS-Net جمع ميزات النقاط بطريقة أكثر شمولية. وتحديدًا، تتكون GS-Net من وحدات ارتباط التشابه الهندسي (GSC)، التي تستخدم الرسم البياني الذاتي (Eigen-Graph) لدمج النقاط البعيدة التي تمتلك معلومات هندسية مشابهة ومرتبطة، وجمع الميزات من أقرب جيرانها في كل من الفضاء الإقليدي والفضاء القيمة الذاتية. يسمح هذا التصميم لـ GS-Net بالتقاط ميزات هندسية محلية وشاملة بكفاءة، مثل التماثل، والانحناء، والبُعد المحدب، والتوصيل. من الناحية النظرية، نُظهر أن أقرب جيران كل نقطة في الفضاء القيمة الذاتية تكون غير متغيرة تجاه الدوران والانزلاق. أجرينا تجارب واسعة على مجموعات بيانات عامة، بما في ذلك ModelNet40 وShapeNet Part. وتُظهر النتائج أن GS-Net تحقق أفضل الأداء المُسجَّل على المجموعات الرئيسية، بتحقيق دقة 93.3% على ModelNet40، كما أنها أكثر مقاومةً للتحولات الهندسية.