ICE: Task-Aligned Clifford Latent Fields for Multimodal Graph Foundation Models
作者: Xunkai Li, Xu Wang, Yinlin Zhu, Xiong Yongfu, Yi Liu, Rong-Hua Li, Guoren Wang
分类: cs.LG
发布日期: 2026-09-24
💡 一句话要点
提出ICE模型以解决多模态图基础模型的表示问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多模态图 Clifford潜在场 节点分类 链接预测 图基础模型
📋 核心要点
- 现有方法在处理多模态属性图时，无法有效保留实体语义和交互状态，导致信息丢失。
- ICE模型通过引入节点索引Clifford潜在场，构建交互感知的图基础模型，提升了表示能力。
- ICE在11个图、6个节点分类数据集和3个链接预测数据集上表现优异，所有实验均排名第一，显示出显著的性能提升。
📝 摘要（中文）
多模态属性图连接实体、视觉内容、语言和观察到的关系。学习跨这些图的基础模型不仅需要将每个节点压缩为融合的欧几里得向量，还必须保留实体语义、构建来自图邻域的交互状态，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，这些要求是不可分割的。ICE（交互感知Clifford编码器）是一种基于节点索引Clifford潜在场的多模态图基础模型，能够有效处理这些问题。实验结果显示，ICE在所有30个监督和少样本比较中均排名第一，展示了其在多模态图学习中的优越性。
🔬 方法详解
问题定义：论文旨在解决多模态属性图中实体语义和交互状态的有效表示问题。现有方法往往将节点压缩为简单的向量，导致信息丢失和表示能力不足。
核心思路：ICE模型通过引入交互感知的Clifford编码器，利用节点索引的Clifford潜在场来保留丰富的语义信息和交互状态，从而提升多模态图的表示能力。
技术框架：ICE的整体架构包括三个主要模块：节点索引Clifford潜在场、边感知几何乘积和任务特定的预测单元。输入的拓扑、文本和图像通过Cl(3)地址进行处理，形成多层次的表示。
关键创新：ICE的主要创新在于引入了交互感知的Clifford编码器，能够实现精确的跨级可达性和节点置换等变性，这在现有方法中是缺乏的。
关键设计：ICE模型采用了保护的Grade-1路径来保留实体语义，同时完整的级别和深度银行可用于新的节点和链接头，确保了多层次结构的保留和语义的保护。
🖼️ 关键图片
📊 实验亮点
ICE模型在11个图和多个数据集上表现出色，在所有30个监督和少样本比较中均排名第一，展示了其在节点分类和链接预测任务中的显著性能提升，具体提升幅度未知。
🎯 应用场景
该研究的潜在应用领域包括社交网络分析、推荐系统、知识图谱构建等。ICE模型能够有效处理多模态数据，提升信息的表示和预测能力，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Multimodal attributed graphs connect entities, visual content, language, and observed relations. Learning one foundation across such graphs requires more than compressing each node into a fused Euclidean vector. The representation must preserve entity semantics, construct interaction state from graph neighborhoods, and expose that state to prediction units with different geometry. Our empirical study shows why these requirements are inseparable. Higher-grade channels recover pair relations across the foundation graphs, specialized queries reveal information hidden by a generic readout, and rigid blade isolation removes cross-grade capacity. We therefore introduce ICE (Interaction-aware Clifford Encoder), a multimodal graph foundation model built on a node-indexed Clifford latent field. Topology, text, and images enter explicit Cl(3) addresses. Edge-aware geometric products transform these directions into scalar, bivector, and trivector relations over observed neighborhoods. A protected Grade-1 route preserves entity semantics, while the full grade and depth bank remains available to fresh node and link heads. We establish exact cross-grade reachability, node-permutation equivariance, and a bound on the task residual around the semantic score. Experiments span one shared foundation over eleven graphs, six node-classification datasets, three link-prediction datasets, and matched few-shot tasks. ICE ranks first in all 30 reported supervised and few-shot comparisons. Core removals reduce every task summary, and mechanism controls connect the gains to higher-order transport, retained multidepth structure, semantic protection, and direct field access.