深度分析 Riemannian 圖形基礎模型：神經向量束與 Gauge 架構的可轉移結構分析 圖形基礎模型因圖形結構多樣而在跨領域遷移上表現受限。研究以行為不變性對應幾何平坦性，提出神經向量束（NeuralVectorBundle）框架，並設計可預訓練的Gauge架構與Dirichlet損失以平坦化局部坐標。實驗在零樣本連結預測與圖形同構辨識等挑戰任務中，超越16個基線模型，展現顯著提升的優勢。
