Anchored or Drifting: What Recursive Self-Generation Reveals About Training Data
Warsaw University of Technology(华沙理工大学)
提出MADreMIA框架,利用链式再生迭代轨迹增强生成模型的成员推断和数据集推理攻击,在低误报率下提升信号强度。
2026-10-06 cs.AI cs.LG
Evaluating Tiny Recursive Models Across Training for Code Generation
Toronto Metropolitan University(多伦多都会大学)
本研究对比TRM-AR与对照模型,发现递归模型抗过拟合能力优于参数匹配模型,建议递归代码生成模型应在整个训练轨迹上联合评估拟合度与生成表现。
2026-09-01 cs.AI cs.LG cs.SE
From Transient Prompts to Persistent Control: Scientific Poster Generation via Recursive Semantic-Geometric Contracts
Baidu Inc.(百度公司);Harbin University of Science and Technology(哈尔滨理工大学);Shandong University(山东大学);East China Normal University(华东师范大学);Soochow University(苏州大学)
PosterVisor通过语义-几何契约和递归契约执行,将海报生成从瞬时提示转为持续控制,在Paper2Poster基准上显著提升生成质量与人类偏好。
2026-09-16 cs.AI
REM-Net: Recursive Erasure Memory Network for Commonsense Evidence Refinement
Shenzhen Campus of Sun Yat-sen University(中山大学深圳校区);Tencent AI Lab(腾讯AI实验室)
在回答问题时,除了特定的上下文之外,人们还经常利用他们丰富的世界知识。虽然最近的作品检索支持事实/证据从常识知识库提供额外的信息,每个问题,仍然有足够的机会,以提高它的证据质量。这是至关重要的,因为证据的质量是回答常识问题的关键,甚至决定了QA系统性能的上限。在本文中,我们提出了一个递归擦除记忆网络(REM-Net),以应付证据的质量改善。为了解决这个问题,REM-Net配备了一个模块,通过递归删除无法解释问答的低质量证据来细化证据。此外,REM-Net不是从现有的知识库中检索证据,而是利用预先训练的生成模型来生成为问题定制的候选证据。我们在两个常识性的问答数据集WIQA和CosmosQA上进行了实验。结果表明,REM-Net的性能,并表明,细化的证据是可解释的。
2021-03-25 cs.AI cs.CL
Structured prompt interrogation and recursive extraction of semantics (SPIRES): A method for populating knowledge bases using zero-shot learning
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);Maastricht University(马斯特里赫特大学);Semanticly Ltd(Semanticly有限公司);Robert Bosch LLC(罗伯特·博世有限责任公司);University of Colorado(科罗拉多大学);The Jackson Laboratory for Genomic Medicine(杰克逊基因组医学实验室)
本研究提出SPIRES知识提取方法,依托大语言模型的零样本能力,通过递归提示询问按指定模式从文本中提取信息并匹配本体标识符,无需训练数据即可适配多领域复杂任务,辅助知识库构建。
2023-12-22 cs.AI cs.LG
A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data
University of Seville(塞维利亚大学)
针对神经符号方法中符号锚定需大量训练标注的问题,提出受贝特森差异理论启发的纯符号递归模型,无需训练即可从空间感官数据生成高可组合、支持推理与泛化的分层形式概念结构,为神经符号研究提供新视角。
2023-07-18 cs.AI
Figures as Programs: Recursive Generation of Editable Scientific Figures
UC Santa Barbara(加州大学圣巴巴拉分校);CUHK(香港中文大学);National University of Singapore(新加坡国立大学);University of New South Wales(新南威尔士大学);Tongji University(同济大学)
本研究提出多智能体系统FigTree,将科学图形生成转化为递归SVG程序构建任务,可从论文生成高质量可编辑矢量图形,其编辑效果优于现有光栅方法。
2026-09-02 cs.AI cs.GR
ReMoA: Recursive Modular Adaptation via Sparse Latent Refinement in Multimodal Diffusion Models
Shanghai Academy of AI for Science(上海人工智能科学研究院);Fudan University(复旦大学)
本文提出一种递归稀疏混合专家框架,用于提升多模态文本生成任务中视觉token的生成质量,通过递归机制和稀疏参数共享提高生成性能。
2026-11-05 cs.AI cs.CV
Recursive Decoding: A Situated Cognition Approach to Compositional Generation in Grounded Language Understanding
Pacific Northwest National Laboratory(太平洋西北国家实验室)
组合泛化是神经语言模型的一个令人不安的盲点。最近的努力已经提出了用于改进模型对已知输入的新颖组合进行编码的能力的技术,但是较少的工作集中在生成已知输出的新颖组合上。在这里,我们专注于后一种“解码端”形式的泛化在gSCAN的上下文中,一个合成的基准合成泛化在接地语言理解。我们提出了递归解码(RD),这是一种用于训练和使用seq2seq模型的新方法,旨在实现解码端的泛化。而不是在一次通过中生成整个输出序列,模型被训练为每次预测一个令牌。输入(即,外部gSCAN环境)然后基于预测的令牌被递增地更新,并且被重新编码用于下一个解码器时间步长。因此,RD将复杂的分布外序列生成任务分解为一系列增量预测,每个预测都类似于模型在训练期间已经看到的预测。RD在gSCAN中产生了两个以前被忽视的泛化任务的显着改进。我们提供的分析,以阐明这些收益失败的基线,然后讨论自然接地语言理解的泛化的影响,和seq2seq更普遍。
2022-02-18 cs.AI cs.CL cs.LG
Steering Autoregressive Music Generation with Recursive Feature Machines
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文提出MusicRFM框架,利用递归特征机实现对预训练音乐模型的细粒度可控生成,通过引导内部激活实现高质量音乐生成与提示忠实性平衡。
2026-04-02 cs.AI cs.LG cs.SD
Recursive Decomposition of Logical Thoughts: Framework for Superior Reasoning and Knowledge Propagation in Large Language Models
Southwest Jiaotong University(西南交通大学);University of Jeddah(吉达大学);National Textile University(国立纺织大学)
本文提出 RDoLT 提示框架,通过递归任务分解、思维选择评分及强弱思维知识传播提升 LLM 推理,并在多个数学与逻辑基准上显著超越现有方法。
2025-01-03 cs.AI cs.CL cs.LG
Beyond Successor Accuracy: State Retention for Recursive Self-Improvement in Recommendation
The University of Hong Kong(香港大学);The Hong Kong Polytechnic University(香港理工大学);The Hong Kong University of Science and Technology(香港科技大学);University of Luxembourg(卢森堡大学)
本文提出推荐递归自我改进中的状态保留问题,通过跨代优势量化分布式进展,并用秩分离选择保留策略,实验表明跨代配对在多数设置中优于直接后继模型。
2026-10-07 cs.AI cs.IR
Circuit Complexity of Hierarchical Knowledge Tracing and Implications for Log-Precision Transformers
Rice University(里士大学);University of Central Florida(中央佛罗里达大学)
本文分析了层次化先决条件传播的电路复杂性,揭示了变换器在深层概念层次上的计算能力,通过证明递归多数掌握传播属于NC^1,并探讨了单调性限制下的深度层次结构,以及经验结果表明变换器在递归多数树上收敛于排列不变的捷径。
2026-03-25 cs.AI cs.LG
Teaching a Minimalist Machine to Discover Recursive Programs for Arithmetic
Technische Universität Darmstadt(达姆施塔特工业大学);Honda Research Institute Europe GmbH(本田欧洲研究院)
借鉴认知科学,提出极简机器框架,用Prolog子集通过课程式教学从空知识库逐步习得算术递归程序,产生透明归纳推理轨迹。
2026-10-06 cs.AI
Analytic Subspace Routing: How Recursive Least Squares Works in Continual Learning of Large Language Model
South China University of Technology(华南理工大学);Xiaomi Corporation(小米公司);The Hong Kong Polytechnic University(香港理工大学)
本文提出解析子空间路由(ASR)方法,通过低秩适应隔离任务子空间,并利用递归最小二乘训练路由器,实现大语言模型持续学习中的知识保留与新任务适应,克服干扰与遗忘问题。
2025-07-08 cs.AI cs.CL cs.LG
Towards information-rich, logical text generation with knowledge-enhanced neural models
Northwestern Polytechnical University(西北工业大学);Microsoft Research(微软研究院)
文本生成系统在深度学习技术的推动下取得了巨大的进步,并在生活中得到了广泛的应用。然而,现有的端到端神经模型存在倾向于生成无信息和通用文本的问题,因为它们不能将输入上下文与背景知识结合起来。为了解决这一问题,许多研究者开始考虑在文本生成系统中结合外部知识,即知识增强的文本生成。知识增强文本生成的挑战包括如何从大规模的知识库中选择合适的知识,如何阅读和理解提取的知识,以及如何将知识整合到生成过程中。本文综述了知识增强文本生成系统的研究进展,并提出了一些有待解决的问题和研究方向。
2020-03-02 cs.AI
Scalable Oversight for Superhuman AI via Recursive Self-Critiquing
Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所信息处理实验室);University of Chinese Academy of Sciences(中国科学院大学)
本文提出通过递归自我批评实现超人类AI的可扩展监督,探索批评的批评比直接批评更容易,并验证递归批评在AI监督中的有效性。
2026-01-15 cs.AI cs.CL cs.LG
RRFC: Recursive Refinement via Feedback Conditioning for Iterative Image-to-Image Generation
该研究提出RRFC框架,通过反馈条件实现迭代式图像到图像生成的输出精修,在多类模型和任务上评估发现其增益集中于目标属性重叠的任务。
2026-08-18 cs.AI cs.CV
ArcAligner: Adaptive Recursive Aligner for Compressed Context Embeddings in RAG
Harbin Institute of Technology(哈尔滨工业大学)
ArcAligner通过自适应门控机制提升RAG中压缩上下文表示的利用效率,有效解决压缩带来的理解困难问题。
2026-01-08 cs.AI cs.CL
ReCA: Multi-Shot Long Video Extrapolation via Recursive Context Allocation
Monash University(墨尔本大学);Tongyi Lab, Alibaba Group(通义实验室,阿里集团);Zhejiang University(浙江大学);University of Queensland(昆士兰大学)
针对多镜头视频外推任务中上下文分配瓶颈,提出递归上下文分配框架,通过层次化分解和结构化状态传播提升长视频生成的一致性和质量。
2026-05-26 cs.AI cs.CV
Multimodal Knowledge Edit-Scoped Generalization for Online Recursive MLLM Editing
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Peng Cheng Laboratory(鹏城实验室);Peking University(北京大学);Fudan University(复旦大学)
针对在线多模态知识编辑中编辑范围难以控制的问题,提出ScopeEdit方法,通过模态局部吸收分支和证据门控共享泛化分支实现范围分离的在线编辑,在保持可靠性的同时提升跨模态泛化与无关输入隔离。
2026-07-03 cs.AI cs.CL cs.CV
Half-order Fine-Tuning for Diffusion Model: A Recursive Likelihood Ratio Optimizer
Peking University(北京大学)
针对扩散模型对齐中RL样本效率低与截断BP梯度有偏的问题,提出递归似然比优化器RLR,通过半阶梯度重排实现无偏低方差估计,并验证其图像与视频生成优势。
2025-09-28 cs.AI cs.CV cs.LG
Break Step: Recursive Training Resonates with Replayed Sampling Noise
Shandong University(山东大学)
本研究通过固定递归污染协议,发现13个语言模型检查点的崩溃脆弱性差异显著且为检查点固有属性,并证明基于自身输出迭代可低成本预测脆弱性,收紧top-p能有效干预崩溃。
2026-09-30 cs.AI cs.CL cs.LG
Sol-H3: Recursive Self-Improvement for MiniMax-H3 Inference Acceleration on Sol-Engine across Cloud and Edge
NVIDIA Research, Efficient AI Team & Singapore Lab(NVIDIA Research,高效AI团队与新加坡实验室)
针对MiniMax-H3视频扩散模型在云与边缘设备的推理瓶颈,提出全栈优化流水线,含跨分辨率调度与递归自我改进内核搜索,实现30倍加速和20%显存降低。
2026-09-29 cs.AI cs.CV cs.LG
ReCAP: Recursive Cross Attention Network for Pseudo-Label Generation in Robotic Surgical Skill Assessment
School of Biomedical Engineering and Imaging Sciences, King's College London(生物医学工程与成像科学学院,伦敦国王学院);Neurosurgery, King's College Hospital(神经外科,伦敦国王医院)
ReCAP模型通过递归交叉注意力机制生成伪标签,提升机器人手术技能评估的准确性与实用性。
2025-07-07 cs.AI cs.CV cs.LG
RMM: A Recursive Mental Model for Dialog Navigation
Microsoft Research(微软研究院);Carnegie Mellon University(卡内基梅隆大学);University of Washington(华盛顿大学)
智能引导机器人必须能够向人类提出问题并理解答案。现有的许多工作只关注后者。在本文中,我们超越了指令遵循,并介绍了两个代理人的任务,其中一个代理人导航,并提出问题,第二,指导代理人回答。受心理理论的启发,我们提出了递归心理模型(RMM)。导航代理模型的指导代理模拟答案候选人产生的问题。引导代理反过来对导航代理进行建模,以模拟生成答案所需的导航步骤。我们使用智能体朝向目标的进展作为强化学习奖励信号,不仅直接通知导航动作,而且还通知问题和答案生成。我们证明了RMM可以更好地推广到新的环境。对话者建模可能是人类与智能体对话的一种方式,在这种方式下,机器人需要提问和回答问题。
2020-10-06 cs.AI cs.CL cs.CV