최근 깊은 컨볼루션 신경망(Deep CNN)을 활용한 3D 포인트 클라우드 분류 기술에서 많은 진전이 있었음에도 불구하고, 회전 및 평행이동과 같은 큰 기하학적 변형은 여전히 도전 과제로 남아 있으며, 이는 최종 분류 성능에 악영향을 미친다. 이러한 문제를 해결하기 위해, 전반적인 기하학적 맥락을 효과적으로 학습하여 기하학적 변형에 대한 강건성을 향상시키는 기하학적 공유 네트워크(Geometry Sharing Network, GS-Net)를 제안한다. 기존의 3D 포인트 CNN이 근접한 포인트들 위에서 컨볼루션을 수행하는 것과 달리, GS-Net은 보다 전역적인 방식으로 포인트 특징을 통합할 수 있다. 특히 GS-Net은 고유값 그래프(Eigen-Graph)를 활용하여 기하학적으로 유사하고 관련성이 높은 원거리 포인트들을 그룹화하고, 유클리드 공간과 고유값 공간 양쪽에서 가장 가까운 이웃의 특징을 통합하는 기하학적 유사성 연결(Geometry Similarity Connection, GSC) 모듈로 구성된다. 이러한 설계는 대칭성, 곡률, 볼록성, 연결성과 같은 국소적 및 전반적인 기하학적 특징을 효율적으로 포착할 수 있게 한다. 이론적으로, 각 포인트의 고유값 공간 내 가장 가까운 이웃은 회전 및 평행이동에 대해 불변(invariant)임을 보였다. 공개 데이터셋인 ModelNet40과 ShapeNet Part에서 광범위한 실험을 수행한 결과, GS-Net은 주요 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, ModelNet40에서 93.3%의 정확도를 기록했으며, 기하학적 변형에 대해 더 뛰어난 강건성을 보였다.