超越聚合困境：多模态图的先验保留解耦学习

多模态属性图学习（MAGL）通过图聚合将内在节点属性与结构拓扑集成在一起。然而，随着预训练编码器演变成大型基础模型 (LFM)，MAGL 的格局发生了根本性的变化：在高置信度的 LFM 先验下，强制聚合引入了压倒判别信号的拓扑噪声，引发了反直觉的性能反转，其中复杂的 MAGL 架构的性能不如简单的拓扑无关 MLP。通过系统的实证和理论分析，我们发现这种倒置源于一种基本的聚合困境，其特征是两种并发的病理学：（1）代表性病理学（信噪比下降）——强制聚合用拓扑噪声稀释了鲁棒的内在特征，导致噪声损失超过了其协作效益； （2）优化病理学（梯度饥饿）——拓扑聚合会减弱梯度流，而共享任务损失会导致主导模式过早地抑制较弱的模式。为了解决这个困境，我们提出了 SUPRA（共享唯一先验保留架构），一种解耦的双路径范例。 SUPRA 通过与拓扑无关的 MLP 处理特定模态的特征，同时通过轻量级共享 GNN 捕获结构协同作用，并通过辅助深度监督来抵消梯度饥饿。广泛的评估表明，SUPRA 实现了最先进的性能，同时所需的峰值 GPU 内存比 Multimodal Graph Transformer 低 3.5 倍，训练时间快 4.4 倍。