الغالبية العظمى من المحاولات لتمثيل الأشكال ثلاثية الأبعاد للتعلم العميق ركزت على الشبكات الحجمية، الصور متعددة الآراء والسحب النقطية. في هذا البحث، ننظر إلى أكثر تمثيلات الأشكال ثلاثية الأبعاد شيوعًا في الرسومات الحاسوبية - الشبكة المثلثية - ونطرح السؤال حول كيفية استخدامها ضمن التعلم العميق. القليل من المحاولات التي أجبَرت عن هذا السؤال تقترح تكييف عمليات الإدماج والتكبير لتتناسب مع شبكات النيورونات التلافيفية (CNNs). يقترح هذا البحث طريقة مختلفة تمامًا، تُعرف باسم MeshWalker، لتعلم الشكل مباشرة من شبكة معينة. الفكرة الأساسية هي تمثيل الشبكة بمسارات عشوائية على السطح، والتي "تستكشف" الهندسة والطبوغرافية للشبكة. يتم تنظيم كل مسار كقائمة من الرؤوس، مما يفرض نوعًا ما من النظام على الشبكة. يتم إدخال المسار إلى شبكة النيورونات المتكررة (RNN) التي "تذكر" تاريخ المسار. نوضح أن طريقتنا تحقق أفضل النتائج المعاصرة لمهامين أساسيتين في تحليل الأشكال: تصنيف الأشكال والتقسيم الدلالي. بالإضافة إلى ذلك، فإن عددًا صغيرًا جدًا من الأمثلة يكفي للتعلم. وهذا مهم للغاية، حيث إن الحصول على قواعد بيانات كبيرة من الشبكات أمر صعب.