異なるアプリケーション分野にわたる普遍的表現の学習は、未解決の研究課題である。実際、同一アプリケーション内においても、異なるデータセット間で普遍的なアーキテクチャを構築することも、まだ解決されていない問題であり、特に3次元ポイントクラウドの処理を含む応用分野では顕著である。本研究では、提案された学習を用いないベースライン登録手法に対して、最新の学習ベース手法を複数実験的に評価した。その結果、提案手法は学習ベース手法を上回るか、同等の性能を達成することが確認された。さらに、学習ベース手法が一般化しにくいデータセットを提案した。本研究で提示した手法およびデータセット、並びに実施された実験は、普遍的表現に対する有効な解決策を研究するための今後の研究に活用可能である。ソースコードは以下のURLで公開されている：github.com/DavidBoja/greedy-grid-search。