ICE：多模态图基础模型的任务对齐 Clifford 潜场

多模态属性图连接实体、视觉内容、语言和观察到的关系。跨此类图学习一个基础需要的不仅仅是将每个节点压缩为融合的欧几里得向量。该表示必须保留实体语义，从图邻域构建交互状态，并将该状态暴露给具有不同几何形状的预测单元。我们的实证研究表明了为什么这些要求是密不可分的。更高等级的通道恢复跨基础图的配对关系，专门的查询揭示通用读数隐藏的信息，而刚性刀片隔离消除了跨等级容量。因此，我们引入了 ICE（交互感知 Clifford 编码器），这是一种建立在节点索引 Clifford 潜场上的多模态图基础模型。拓扑、文本和图像输入显式 Cl(3) 地址。边缘感知几何产品将这些方向转换为观察邻域上的标量、双向量和三向量关系。受保护的 1 级路由保留实体语义，而完整的等级和深度库仍然可供新节点和链路头使用。我们建立了精确的跨年级可达性、节点排列等方差以及围绕语义分数的任务残差的界限。实验跨越十一个图、六个节点分类数据集、三个链接预测数据集和匹配的少样本任务的一个共享基础。 ICE 在所有 30 项报告的监督比较和少样本比较中排名第一。核心去除减少了每个任务摘要，机制控制将增益连接到高阶传输、保留的多深度结构、语义保护和直接字段访问。