تقدم الرسوم البيانية وسيلة طبيعية لصياغة تتبع الكائنات المتعددة (MOT) ضمن منهجية التتبع من خلال الكشف. ومع ذلك، فإنها تفرض أيضًا تحديًا رئيسيًا على الأساليب القائمة على التعلم، إذ أن تعريف نموذج قادر على العمل في هذا المجال المهيكل ليس أمرًا بسيطًا. نتيجة لذلك، ركزت معظم الدراسات القائمة على التعلم على تحسين السمات (features) الخاصة بتتبع الكائنات المتعددة، ثم استخدام هذه السمات مع أطر تحسين معروفة جيدًا. في هذا العمل، نستفيد من الصيغة الكلاسيكية لتدفق الشبكة (network flow) في تتبّع الكائنات المتعددة لتحديد إطار عمل قابل تمامًا للتفاضل (fully differentiable) مستند إلى شبكات تبادل الرسائل (Message Passing Networks - MPNs). وبفضل تشغيله مباشرة على مجال الرسم البياني، يمكن لطرقنا التفكير بشكل عالمي على مجموعة كاملة من الكشفات وتوقع الحلول النهائية. وبالتالي، نُظهر أن التعلم في تتبّع الكائنات المتعددة لا يحتاج إلى أن يقتصر على استخلاص السمات، بل يمكن تطبيقه أيضًا على خطوة توصيل البيانات (data association). ونُظهر تحسنًا ملحوظًا في مؤشري MOTA وIDF1 على ثلاث معايير عامة متاحة للجمهور. يُمكن الوصول إلى الكود الخاص بنا عبر الرابط: https://bit.ly/motsolv.