特征聚合与多模态融合

一句话理解：同一个对象可以有多种表示；特征融合就是把这些“不同角度的描述”合成一个供下游预测使用的向量。

1. A3Net融合的到底是什么

A3Net不是简单融合原始数据库，而是融合两条网络通路产生的表示：

两者分别回答“对象自身结构是什么”和“跨对象交互是什么”。

论文给出的FAM为：

x=(1-\gamma_d)d_{GAM}+\gamma_d d_{CAM}

y=(1-\gamma_s)s_{GAM}+\gamma_s s_{CAM}

$x,y$ 分别是最终药物和副作用向量。论文设置 $\gamma_d=\gamma_s=0.15$ ，意味着GAM占0.85，CAM占0.15。

融合前通常要保证：

A3Net代码的药物融合符合论文，但副作用一侧写成1 - alpha*x_e + alpha*...，而不是(1-alpha)*x_e + alpha*...。少一对括号会引入常数1，这是公式与代码的确定不一致。

固定 $\gamma$ 对所有样本相同，优点是简单稳定，缺点是不同药物可能需要不同融合比例。可扩展为门控融合：

g=\sigma(W[d_{GAM};d_{CAM}]+b)

d=(1-g)\odot d_{GAM}+g\odot d_{CAM}

这样每个样本甚至每个特征维度都能学习自己的权重，但模型也更复杂、更易过拟合，需要严格消融与验证。

不能只看完整模型最好，还要比较：仅GAM、仅CAM、简单平均、固定权重、自适应门控，并报告各折波动。A3Net消融中并非每个指标都由完整模型占优，所以更谨慎的结论是“双路融合改善总体权衡”。