点群は、コンピュータグラフィックスにおける無数の応用に適した柔軟な幾何表現を提供する一方で、多数の3Dデータ取得デバイスの原始出力としても構成される。これまでグラフィックスおよびビジョン分野において、手作業で設計された点群特徴量が提案されてきたが、近年の画像解析における畳み込みニューラルネットワーク（CNN）の圧倒的な成功は、CNNの知見を点群の世界に応用する価値を示唆している。点群は本質的にトポロジー情報を持たないため、トポロジーを回復するためのモデル設計により、点群の表現力が向上する。この目的のため、我々は、分類やセグメンテーションを含む、CNNに基づく点群上の高レベルタスクに適した新しいニューラルネットワークモジュール「EdgeConv」を提案する。EdgeConvは、ネットワークの各層で動的に計算されるグラフ上で動作する。このモジュールは微分可能であり、既存のアーキテクチャに容易に組み込むことができる。外部空間で動作する既存のモジュールや、各点を独立に処理する手法と比較して、EdgeConvには以下の魅力的な特性がある：局所的な近傍情報を統合できる；複数層に積み重ねて用いることで、グローバルな形状特性を学習可能である；多層構造において、特徴空間内の類似性は、元の埋め込み空間における長距離にわたる意味的特性を捉えることができる。本研究では、ModelNet40、ShapeNetPart、S3DISといった標準ベンチマーク上でのモデルの性能を示す。