本論文では、Point-GNという新しい非パラメトリックネットワークを紹介します。Point-GNは、効率的かつ正確な3次元点群の分類に用いられます。従来の深層学習モデルが多数の学習可能なパラメータに依存しているのとは異なり、Point-GNは学習不可能なコンポーネント、具体的にはFarthest Point Sampling（FPS）、k-Nearest Neighbors（k-NN）、およびGaussian Positional Encoding（GPE）を利用し、局所的な幾何学的特徴と全体的な幾何学的特徴を抽出します。この設計により、追加の学習を必要とせずに高性能を維持することができ、Point-GNはリアルタイムでリソース制約のあるアプリケーションに特に適しています。私たちはModelNet40とScanObjectNNという2つのベンチマークデータセットでPoint-GNを評価し、それぞれ85.29%と85.89%の分類精度を達成しました。計算複雑性を大幅に削減しつつ、既存の非パラメトリック手法よりも優れた性能を示し、完全に学習されたモデルと同等の性能を達成しています。これらの結果から、Point-GNは実際のリアルタイム環境における3次元点群分類にとって有望な解決策であることが示されました。