그래프는 탐지 기반 추적 파라다임 내에서 다중 객체 추적(MOT)을 자연스럽게 공식화할 수 있는 방법을 제공한다. 그러나 이러한 구조화된 도메인에서 작동할 수 있는 모델을 정의하는 것은 쉽지 않아, 학습 기반 방법에 있어 주요 과제를 초래한다. 그 결과, 대부분의 학습 기반 연구는 MOT를 위한 더 나은 특징을 학습하는 데 집중해왔으며, 이를 잘 정립된 최적화 프레임워크와 결합해 사용해왔다. 본 연구에서는 MOT의 고전적 네트워크 흐름 공식화를 활용하여 메시지 전달 네트워크(MPNs) 기반의 완전히 미분 가능한 프레임워크를 제안한다. 그래프 도메인을 직접 다루기 때문에, 본 방법은 전체 탐지 결과 집합에 대해 전역적으로 추론하고 최종 솔루션을 예측할 수 있다. 따라서 본 연구는 MOT에서의 학습이 특징 추출에 국한되지 않고, 데이터 연관 단계에도 적용될 수 있음을 보여준다. 우리는 세 가지 공개된 벤치마크에서 MOTA 및 IDF1 지표 모두에서 의미 있는 개선을 입증하였다. 코드는 https://bit.ly/motsolv 에서 공개되어 있다.