本文提出了一种多视图方法，将来自最先进化学模型的潜在空间进行结合，证明了该方法在预测临床试验药物毒性和抑制HIV复制等任务上的优势。研究结果显示了潜在空间融合和特征整合在分子属性预测方面的潜力。

本研究探讨了3D形状分类的表示和架构对分类性能的影响。结果显示，多视图方法在简化输入和跨模态传输方面表现最佳。基于点的网络对点位置扰动更稳定，而基于体素和多视图的网络易受微小噪声影响。

本研究探讨了3D形状分类的表示和架构对分类性能的影响。研究发现多视图方法在没有预训练的情况下提供最佳泛化性能，甚至在简化输入时也有效。跨模态传输可以改善基于体素和基于点的架构的性能。基于点的网络对于点位置扰动更稳定，而基于体素和多视图的网络容易受到微小噪声的干扰。