論文の概要: ICE: Task-Aligned Clifford Latent Fields for Multimodal Graph Foundation Models

• arxiv url: http://arxiv.org/abs/2609.29398v1
• Date: Thu, 24 Sep 2026 11:24:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.872375
• Title: ICE: Task-Aligned Clifford Latent Fields for Multimodal Graph Foundation Models
• Title（参考訳）: ICE:マルチモーダルグラフ基礎モデルのためのタスク指向クリフォード潜在フィールド
• Abstract要約: ICE(Interaction-aware Clifford)は、ノードインデックスのCliffordフィールド上に構築されたグラフ基盤モデルである。 トポロジー、テキスト、画像は観察された近傍のCl(3)アドレスを明示的に入力する。 保護されたグレード1ルートはエンティティのセマンティクスを保持し、フルグレードとディープバンクは、新しいノードとリンクヘッドで利用可能である。 実験は、11のグラフ、6つのノード分類データセット、3つのリンク予測データセット、および数ショットタスクにマッチする1つの共有基盤にまたがる。
• 参考スコア（独自算出の注目度）: 37.927624558881035
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 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.
• Abstract（参考訳）: マルチモーダル属性グラフはエンティティ、ビジュアルコンテンツ、言語、観察された関係を接続する。 そのようなグラフ上の1つの基礎を学習するには、各ノードを融合ユークリッドベクトルに圧縮する以上のことが必要である。 この表現は、エンティティのセマンティクスを保持し、グラフ近傍から相互作用状態を構築し、その状態を異なる幾何学を持つ予測単位に公開する必要がある。 私たちの実証研究は、これらの要件が分離できない理由を示しています。 高度なチャネルは、基礎グラフ間のペア関係を回復し、特殊なクエリは、一般的な読み出しによって隠された情報を明らかにし、剛性のあるブレードアイソレーションは、クロスグレードのキャパシティを除去する。 そこで我々は、ノードインデックス付きクリフォード潜在体上に構築されたマルチモーダルグラフ基盤モデルであるICE(Interaction-aware Clifford Encoder)を導入する。 トポロジー、テキスト、画像は明示的なCl(3)アドレスを入力する。 エッジ対応幾何積は、これらの方向を観察された近傍におけるスカラー、ビベクター、およびトライベクターの関係に変換する。 保護されたグレード1ルートはエンティティのセマンティクスを保持し、フルグレードとディープバンクは、新しいノードとリンクヘッドで利用可能である。 意味的スコアの周囲に残留するタスクに、正確なクロスグレードリーチビリティ、ノード置換等価性、およびバウンダリを確立する。 実験は、11のグラフ、6つのノード分類データセット、3つのリンク予測データセット、および数ショットタスクにマッチする1つの共有基盤にまたがる。 ICEは調査対象者30人中1位で、数ショットで比較した。 コアの削除はタスクのサマリーを減らし、メカニズムコントロールはゲインを高階のトランスポート、マルチデプス構造、セマンティックプロテクション、ダイレクトフィールドアクセスに接続する。

関連論文リスト

• Neural Message Passing on Structural Interaction Graphs for Fully-Inductive Graph Neural Networks [1.49251567571938]
  SIGILは任意の属性グラフを固定次元の統一表現空間にマッピングするフレームワークである。 リレーショナルメッセージパッシングネットワークは、各特徴次元を共有空間に埋め込む。 1つのグラフで事前訓練された単一のSIGILモデルは、強い完全帰納的リンク予測を提供する。
  論文  参考訳（メタデータ） (2026-08-09T08:14:35Z)
• TopoU-Net: a U-Net architecture for topological domains [2.7402047306684936]
  TopoU-Netは、トポロジカルドメインのためのランクパスU-Netである。 ノード、エッジ、顔、ハイパーエッジ、あるいはグローバルセルを経由するパスを選択することが、中心的なアーキテクチャ上の決定である。 TopoU-Netは高次構造化データのための再利用可能なエンコーダデコーダテンプレートを提供する。
  論文  参考訳（メタデータ） (2026-05-11T07:09:39Z)
• Edge-Centric Relational Reasoning for 3D Scene Graph Prediction [74.19580969696898]
  3Dシーングラフ予測は、複雑な3D環境をオブジェクトとそのペア関係からなる構造化グラフに抽象化することを目的としている。 既存のアプローチでは、接続されたオブジェクトノードからメッセージを集約することで、関係エッジ機能を反復的に更新するオブジェクト中心のグラフニューラルネットワークが一般的である。 本稿では,オブジェクト認識融合を用いたリンク誘導エッジ中心関係推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-19T09:53:56Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Prompt Based Tri-Channel Graph Convolution Neural Network for Aspect Sentiment Triplet Extraction [63.0205418944714]
  Aspect Sentiment Triplet extract (ASTE)は、ある文の三つ子を抽出する新しいタスクである。 近年の研究では、単語関係を二次元テーブルにエンコードするテーブル充填パラダイムを用いてこの問題に対処する傾向にある。 本稿では, 関係表をグラフに変換し, より包括的な関係情報を探索する, Prompt-based Tri-Channel Graph Convolution Neural Network (PT-GCN) と呼ばれるASTEタスクの新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-18T12:46:09Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Exploring Edge Disentanglement for Node Classification [34.81248024048974]
  実世界のグラフのエッジは、典型的には様々な要因によって形成され、多様な関係意味論を持つ。 本稿では,3つの前提条件を提案し,それに対応する3つのタスクを設計する。 DisGNNは、さまざまなニューラルネットワークに簡単に組み込むことができ、現実世界のデータセットで6ドル(約6,300円)で実験を行います。
  論文  参考訳（メタデータ） (2022-02-23T00:31:37Z)
• Pair-view Unsupervised Graph Representation Learning [2.8650714782703366]
  低次元グラフ埋め込みは、大きなグラフのさまざまな下流タスクで非常に有用であることが証明されています。 本稿では,グラフ埋め込みのコアとして "ノード" よりも高いレベルの単位である "ペア" を使用するソリューションである PairE を提案する。 実験の結果、PairEは4つの下流タスクのベースラインの状態を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-12-11T04:09:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。