3D 컴퓨터 비전 응용 분야에서 포인트 클라우드 소수 샘플 학습(few-shot learning)은 중요한 역할을 합니다. 그러나 데이터의 희소성, 불규칙성, 그리고 순서 없는 특성으로 인해 이는 어려운 도전 과제를 제시합니다. 현재의 방법들은 합성곱, 그래프, 주의 메커니즘과 같은 복잡한 국부 기하학 추출 기술과 광범위한 데이터 기반 사전 학습 작업에 의존하고 있습니다. 이러한 접근 방식은 효율적인 학습을 촉진하는 소수 샘플 학습의 근본 목표와 배치됩니다. 이를 해결하기 위해, 우리는 GPr-Net (기하학적 프로토타입 네트워크)를 제안합니다. GPr-Net은 경량화되고 계산적으로 효율적인 기하학적 프로토타입 네트워크로, 포인트 클라우드의 본질적인 위상을 포착하여 우수한 성능을 달성합니다. 우리가 제안하는 방법 IGI++ (내재된 기하학 해석기++)는 벡터 기반으로 수작업으로 설계된 내재된 기하학 해석기와 라플라스 벡터를 사용하여 포인트 클라우드 형태를 추출 및 평가하여 FSL (소수 샘플 학습)에서 개선된 표현을 제공합니다. 또한, 라플라스 벡터는 적은 수의 포인트를 가진 포인트 클라우드에서도 가치 있는 특징을 추출할 수 있게 합니다. 소수 샘플 메트릭 학습에서 발생하는 분포 이동 문제를 해결하기 위해, 우리는 쌍곡 공간(hyperbolic space)을 활용하여 우리의 접근 방식이 기존의 포인트 클라우드 소수 샘플 학습 방법보다 클래스 내 및 클래스 간 변동성을 더 잘 처리함을 보여줍니다. ModelNet40 데이터셋에 대한 실험 결과는 GPr-Net이 포인트 클라우드에서의 소수 샘플 학습에서 최신 연구 방법들을 능가하며, 계산 효율성이 모든 기존 연구들보다 $170\times$ 더 우수함을 입증하였습니다. 코드는 https://github.com/TejasAnvekar/GPr-Net 에 공개되어 있습니다.