深層学習における3次元形状の表現に関するこれまでの試みは、ボリュームグリッド、マルチビュー画像、およびポイントクラウドに焦点を当ててきた。本論文では、コンピュータグラフィックスで最も一般的に使用される3次元形状の表現方法である三角メッシュに注目し、これを深層学習内でどのように利用できるかについて考察する。この問いに対する少数の試みでは、畳み込みとプーリングを畳み込みニューラルネットワーク（CNNs）に適合させる方法が提案されている。本論文では、そのようなアプローチとは異なる手法として「MeshWalker」を提案する。この手法の基本的なアイデアは、表面をランダムウォークによって表現することで、メッシュの幾何学的およびトポロジカル特性を「探索」することにある。各ウォークは頂点のリストとして組織化され、これによりメッシュに某种程度の一貫性が課される。これらのウォークは、「ウォークの履歴」を「記憶」する再帰型ニューラルネットワーク（RNN）に入力される。我々は本手法が形状分類と意味分割という2つの基本的な形状解析タスクにおいて最先端の結果を達成することを示す。さらに、非常に少ないサンプル数でも学習が可能であることが確認された。これは大規模なメッシュデータセットの取得が困難であるため、極めて重要である。以上が原文に基づいた日本語訳です。