TriTopic: Tri-Modal Graph-Based Topic Modeling with Iterative Refinement and Archetypes
Modul University Vienna（维也纳莫杜尔大学）
TriTopic通过三模图融合与迭代优化，提升主题建模的稳定性与精度，实现更高的NMI得分和全面的语料覆盖。
2026-02-22 cs.CL
Deterministic Non-Autoregressive Neural Sequence Modeling by Iterative Refinement
New York University（纽约大学）
提出了一种基于迭代精化的条件非自回归神经序列模型。该模型基于隐变量模型和去噪自编码器的原理设计，一般适用于任何序列生成任务。我们广泛评估了所提出的模型对机器翻译（En-De和En-Ro）和图像字幕生成，并观察到它显着加快解码，同时保持生成质量相媲美的自回归对应。
2018-08-27 cs.CL cs.LG stat.ML
ToolACE-R: Model-aware Iterative Training and Adaptive Refinement for Tool Learning
ToolACE-R通过基于模型的迭代训练和自适应细化，提升工具学习的效率和性能。
2026-01-10 cs.AI cs.CL cs.LG
FlowRefiner: Flow Matching-Based Iterative Refinement for 3D Turbulent Flow Simulation
University of Alabama（阿拉巴马大学）；University of Pittsburgh（匹兹堡大学）
本文提出FlowRefiner方法，通过确定性ODE修正替代随机去噪，统一回归速度场目标，引入解耦的sigma调度，实现小噪声下的稳定精炼，实验表明在复杂多尺度湍流中取得最佳自回归预测精度和物理一致性。
2026-04-25 cs.LG physics.flu-dyn
REFINEPPO: Learning Continuous Control Policies by Iterative Action Refinement
Northeastern University（东北大学）
本文提出REFINEPPO，通过迭代动作细化机制让策略逐步改进动作，结合PPO算法，在14个基准任务上达到或超越标准PPO，并加快收敛。
2026-09-21 cs.LG
Iterative Refinement Strategy for Automated Data Labeling: Facial Landmark Diagnosis in Medical Imaging
The University of Melbourne（墨尔本大学）
针对医学影像面部关键点诊断中的自动标注难题，本文提出结合反馈机制与先进算法的迭代优化策略，以减少人工干预并提升标签质量及深度学习性能。
2024-04-08 cs.AI cs.CV cs.LG
WaveGrad 2: Iterative Refinement for Text-to-Speech Synthesis
Google Brain（谷歌大脑）
介绍了一种用于文本转语音合成的非自回归生成模型WaveGrad 2。WaveGrad 2被训练以估计给定音素序列的波形的对数条件密度的梯度。该模型采用输入音素序列，并通过迭代细化过程，生成音频波形。这与原始WaveGrad声码器形成对比，原始WaveGrad声码器以由单独模型生成的梅尔频谱图特征为条件。迭代细化过程从高斯噪声开始，并且通过一系列细化步骤（例如，50步），逐步恢复音频序列。WaveGrad 2提供了一种自然的方式，通过调整细化步骤的数量，在推理速度和样本质量之间进行权衡。实验表明，该模型能够产生高保真的音频，接近最先进的神经文语转换系统的性能。我们还报告了不同模型配置的各种消融研究。音频样本可在https://wavegrad.github.io/v2上获得。
2021-06-19 cs.LG cs.SD eess.AS
IMPROVE: Iterative Model Pipeline Refinement and Optimization Leveraging LLM Experts
University of Toronto（多伦多大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；New York University（纽约大学）
针对LLM智能体单步优化机器学习流水线导致优化不稳定且收敛慢的问题，提出迭代细化策略并实现端到端框架IMPROVE，通过逐步更新组件显著提升了目标分类性能。
2025-09-16 cs.CV cs.LG
Iterative Augmentation with Summarization Refinement (IASR) Evaluation for Unstructured Survey data Modeling and Analysis
University of Toledo（托莱多大学）；George Mason University（乔治梅森大学）
本文提出用于LLM文本增强的原则性评估框架，包含可扩展性分析和迭代增强与摘要精炼（IASR），在真实主题建模任务中使主题粒度增加400%并消除重叠，验证了其有效性。
2025-07-16 cs.CL cs.LG
Evolutionary Guided Decoding: Iterative Value Refinement for LLMs
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Soochow University（苏州大学）；Zhejiang University（浙江大学）；Fudan University（复旦大学）
研究发现引导解码中值函数不准确源于分布差距，提出迭代值细化框架，用值探索提供训练信号，迭代自我细化利用改进值函数生成高质量数据，实验证明该框架能有效对齐语言模型并降低计算成本。
2026-07-07 cs.AI cs.CL cs.LG
Reward-Guided Iterative Refinement in Diffusion Models at Test-Time with Applications to Protein and DNA Design
Princeton University（普林斯顿大学）
针对扩散模型推理阶段的下游奖励函数优化问题，提出受进化算法启发的迭代优化框架，通过加噪与奖励引导去噪的迭代过程修正误差，在蛋白质和DNA设计中实现更优性能。
2025-02-20 cs.AI cs.LG cs.NE
PRISM: Iterative Cross-Modal Posterior Refinement for Dynamic Text-Attributed Graphs
College of Artificial Intelligence（人工智能学院）
PRISM通过迭代跨模态后验细化方法，提升动态文本属性图的表示学习能力，有效捕捉节点语义与交互行为的动态依赖关系。
2026-05-07 cs.LG
IFR-Net: Iterative Feature Refinement Network for Compressed Sensing MRI
Nanchang University（南昌大学）；Medical AI Research Center, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院医学人工智能研究中心）
为了改善压缩感知MRI（CS-MRI）方法在高加速因子下的精细结构损失，我们提出了一种迭代特征细化模型（IFR-CS），配备固定变换，以恢复有意义的结构和细节。然而，建议IFR-CS仍然有一些局限性，如超参数的选择，一个漫长的重建时间，和固定的稀疏化变换。为了缓解这些问题，我们展开迭代功能细化程序IFR-CS监督模型驱动的网络，称为IFR-Net。通过引入训练数据对，IFR-CS中的正则化参数和最大特征细化算子都变得可训练。此外，受卷积神经网络（CNN）强大的表示能力的启发，在稀疏促进去噪模块中探索了基于CNN的反转块，以推广稀疏实施算子。在模拟和活体MR数据集上的大量实验表明，该网络具有很强的捕获图像细节的能力，并能很好地保留结构信息，重建速度快。
2019-09-25 cs.LG eess.IV stat.ML
iFlip: Iterative Feedback-driven Counterfactual Example Refinement
Technische Universität Berlin（柏林工业大学）；University of Groningen（格罗宁根大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
iFlip通过迭代反馈驱动的方法生成有效反事实示例，提升模型性能和鲁棒性。
2026-08-27 cs.CL cs.LG
GENESIS-V2: Inferring Unordered Object Representations without Iterative Refinement
Google DeepMind（谷歌DeepMind）；Applied AI Lab, University of Oxford（牛津大学应用人工智能实验室）
对象表示的无监督学习的进展已经在用于无监督对象分割和可解释的以对象为中心的场景生成的广泛方法的发展中达到高潮。然而，这些方法仅限于具有有限视觉复杂度的模拟和真实世界数据集。此外，对象表示通常使用不能很好地扩展到大图像的RNN或迭代细化来推断，这避免了对图像中的对象施加不自然的排序，但需要对固定数量的对象表示进行先验初始化。与现有的范例相比，这项工作提出了一种基于嵌入的方法，其中嵌入的像素被聚集在一个可微的方式使用一个随机的棒断裂过程。类似于迭代细化，这种聚类过程也导致随机排序的对象表示，但不需要初始化一个固定数量的集群先验。这被用来开发一个新的模型GENESIS-v2，它可以在不使用RNN或迭代细化的情况下推断出可变数量的对象表示。我们表明，与最近的基线相比，GENESIS-v2在已建立的合成数据集以及更复杂的真实世界数据集上的无监督图像分割和以对象为中心的场景生成方面表现强劲。
2022-01-25 cs.CV cs.LG stat.ML
Iterative Refinement of the Approximate Posterior for Directed Belief Networks
University of New Mexico（新墨西哥大学）；Mind Research Network（思维研究网络）；Courant Institute & Center for Data Science, New York University（纽约大学库朗研究所与数据科学中心）；University of Montreal（蒙特利尔大学）；Carnegie Melon University（卡内基梅隆大学）；Microsoft Research（微软研究院）
依赖于识别网络来近似有向图模型的后验的变分方法比以前的方法提供更好的推理和学习。利用这种方法的能力和灵活性的最新进展已经扩大了可以训练的模型类型。然而，作为后验的建议，识别网络的容量是有限的，这可能会限制生成模型的代表性，并增加Monte Carlo估计的方差。为了解决这些问题，我们引入了一个迭代的细化过程，用于提高识别网络的近似后验，并表明使用细化后验进行训练与最先进的方法相比具有竞争力。细化的优势在增加有效样本量方面进一步明显，这意味着梯度估计的方差较低。
2018-02-20 cs.LG stat.ML
Iterative Residual Refinement for Joint Optical Flow and Occlusion Estimation
TU Darmstadt（达姆施塔特工业大学）
近年来，用于光流估计的深度学习方法取得了快速进展。许多网络的一个共同特点是，它们通过多个阶段或跨由粗到细的表示级别来细化初始流量估计。虽然导致更准确的结果，但其缺点是参数数量增加。从经典的能量最小化方法以及残差网络的启发，我们提出了一个迭代残差细化（IRR）计划的基础上的权重共享，可以结合几个骨干网络。它减少了参数的数量，提高了精度，甚至两者兼而有之。此外，我们表明，将遮挡预测和双向流量估计集成到我们的IRR方案中可以进一步提高准确性。我们的完整网络在多个标准数据集上实现了光流和遮挡估计的最新结果。
2019-04-10 cs.CV cs.LG
ODE-Based Transformer Decoders for Iterative Sign Language Translation
ASELSAN（阿塞尔桑（土耳其国防工业公司））；Hacettepe University（哈杰泰佩大学）
该研究将受常微分方程启发的高阶数值积分格式应用于迭代手语翻译，提出参数高效的解码器，在不增参数下提升性能，在两个基准上优于IPSLT基线。
2026-08-13 cs.CL cs.LG
Image Super-Resolution via Iterative Refinement
Google Research（谷歌研究院）
我们提出了SR 3，一种通过重复细化实现图像超分辨率的方法。SR 3将去噪扩散概率模型适应于条件图像生成，并通过随机去噪过程执行超分辨率。推理从纯高斯噪声开始，并使用在各种噪声水平下进行去噪训练的U-Net模型迭代地细化噪声输出。SR 3在不同放大倍数的超分辨率任务中表现出强大的性能，包括人脸和自然图像。我们在CelebA-HQ上对标准的8倍人脸超分辨率任务进行了人类评估，并与SOTA GAN方法进行了比较。SR 3实现了接近50%的愚弄率，这表明照片般逼真的输出，而GANs的愚弄率不超过34%。我们进一步展示了SR 3在级联图像生成中的有效性，其中生成模型与超分辨率模型链接在一起，在ImageNet上产生了11.3的竞争性FID分数。
2021-06-30 cs.CV cs.LG eess.IV
Do Not Imitate, Reinforce: Iterative Classification via Belief Refinement
本文提出RIC方法，通过强化学习替代传统模仿目标，实现迭代分类，提升预测校准性和计算分配能力。
2026-04-23 cs.LG
Object Representations as Fixed Points: Training Iterative Refinement Algorithms with Implicit Differentiation
University of California, Berkeley（加州大学伯克利分校）；Princeton University（普林斯顿大学）
迭代细化--从随机猜测开始，然后迭代地改进猜测--是表示学习的一个有用范例，因为它提供了一种方法来打破数据的同样合理的解释之间的对称性。该属性使得能够应用这样的方法来推断实体集合的表示，诸如物理场景中的对象，在结构上类似于潜在空间中的聚类算法。然而，大多数先前的作品通过展开的细化过程来区分，这可能使优化具有挑战性。我们观察到，这种方法可以通过隐函数定理微分，并开发一种隐式微分方法，通过解耦向前和向后传递来提高训练的稳定性和易处理性。这种连接使我们能够应用优化隐式层的进步，不仅可以改善SLATE中槽注意模块的优化，这是一种用于学习实体表示的最先进方法，而且可以在反向传播中以恒定的空间和时间复杂度实现，并且只需增加一行代码。
2023-01-01 cs.AI cs.CV cs.LG
Inference-Time Scaling in Diffusion Models through Iterative Partial Refinement
KAIST（韩国科学技术院）
本文提出了一种无需外部验证器的扩散模型推理时间扩展方法Iterative Partial Refinement，通过在混合噪声条件下迭代部分细化生成更一致的样本，在MNIST Sudoku任务中提升了有效解率。
2026-05-19 cs.AI cs.LG
Watch Every Step! LLM Agent Learning via Iterative Step-Level Process Refinement
Huawei Technologies（华为技术有限公司）
针对LLM Agent缺乏过程监督导致次优动作的问题，提出迭代步骤级过程优化（IPR）框架，利用蒙特卡洛估计步骤级奖励生成对比动作对进行训练，显著提升了动作效率与模型性能。
2024-09-24 cs.AI cs.CL cs.LG
Iterative Atom Refinement: A Monotonicity Principle for Dictionary Learning
Stanford University（斯坦福大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Pennsylvania State University（宾夕法尼亚州立大学）；University of California, Merced（加州大学默塞德分校）
本文提出迭代原子细化（IAR）算法，通过迭代选择强相关观测并平均更新方向，借助单调性原理证明三步内可恢复字典原子，实验验证了理论。
2026-09-22 cs.LG math.PR stat.ML
Iterative Label Refinement Matters More than Preference Optimization under Weak Supervision
The University of Hong Kong（香港大学）；University of California, Berkeley（加州大学伯克利分校）
该研究针对弱监督下语言模型后训练效果下降的问题，提出迭代标签精炼（ILR）方法替代RLHF，通过比较反馈优化SFT数据再重训模型，在多项任务中表现优于SFT+DPO，为复杂任务的模型训练提供了新的反馈利用思路。
2025-01-14 cs.AI cs.CL cs.LG
Meta Learning-Driven Iterative Refinement for Robust Anomaly Detection in Industrial Inspection
University of Verona（维罗纳大学）
本文提出利用元学习MAML的适应能力结合四分位距剔除方案的迭代细化过程，识别并剔除噪声训练数据，从而提升工业检测中异常检测模型在噪声环境及清晰数据集下的鲁棒性与性能。
2025-03-03 cs.CV cs.LG
Exploring Synthesizable Chemical Space with Iterative Pathway Refinements
NVIDIA；KAIST（韩国科学技术院）
ReaSyn通过迭代路径细化方法，有效探索可合成化学空间，提升分子生成的覆盖性和多样性。
2026-01-10 cs.LG
Towards Accurate Human Motion Prediction via Iterative Refinement
University of Illinois at Urbana, Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出FreqMRN框架，结合运动注意力与迭代细化，在姿态和频率空间间转换，利用多损失监督，显著提升短期和长期人体运动预测精度与鲁棒性。
2023-05-08 cs.CV cs.LG
Sparse Kernel Gaussian Processes through Iterative Charted Refinement (ICR)
Max Planck Institute for Astrophysics（马克斯·普朗克天体物理研究所）
高斯过程（GP）是一种高度表达的概率模型。一个主要的限制是它们的计算复杂性。简单地说，精确GP推断需要$\mathcal{O}(N^3)$计算，其中$N$表示建模点的数量。目前的方法，以克服这一限制要么依赖于稀疏，结构化或随机表示的数据或内核，通常涉及嵌套优化来评估一个GP。我们提出了一种新的，生成的方法命名为迭代图细化（ICR）模型GP几乎任意间隔的点在$\mathcal{O}(N)$时间衰减内核没有嵌套优化。ICR通过将不同分辨率的建模位置的视图与用户提供的坐标图相结合来表示长距离和短距离相关性。在我们的实验中，点的间距变化超过两个数量级，ICR的准确性与最先进的GP方法相当。ICR在CPU和GPU上的计算速度方面优于现有方法一个数量级，并且已经成功地应用于对具有$122$十亿个参数的GP进行建模。
2022-06-21 cs.LG stat.ML
Iterative Flow Matching: Path Correction and Gradual Refinement for Enhanced Generative Modeling
The University of British Columbia（不列颠哥伦比亚大学）；University of Cambridge（剑桥大学）
本研究针对图像生成模型易产生幻觉的问题，提出可集成于各类生成建模技术的迭代流匹配方法，通过路径校正与渐进式优化提升图像合成的性能与鲁棒性。
2026-08-20 cs.AI cs.CV cs.LG
Effective Test-Time Scaling of Discrete Diffusion through Iterative Refinement
KAIST AI（韩国科学技术院人工智能研究所）；Seoul National University（首尔国立大学）；University of California, Berkeley（加州大学伯克利分校）；KRAFTON
本文提出IterRef方法，通过奖励引导的加噪-去噪迭代精炼离散扩散中间状态，在MTM框架下证明收敛性，并在低计算预算下显著提升文本和图像的奖励引导生成质量。
2025-11-04 cs.AI cs.LG
Learning to Refine: Spectral-Decoupled Iterative Refinement Framework for Precipitation Nowcasting
National University of Singapore（新加坡国立大学）
提出频谱解耦迭代细化框架（SDIR），通过双路径设计（SFG-Former和FR-Refiner）和物理一致功率谱密度损失，在确定性框架中实现降水临近预报的渐进频率解耦细化，消除模糊和幻觉，在空间精度和频谱保真度上超越现有方法。
2026-06-01 cs.AI cs.LG eess.IV
IterefinE: Iterative KG Refinement Embeddings using Symbolic Knowledge
从文本源中提取的知识图（Knowledge Graph，KG）往往带有噪声，导致下游应用任务（如基于KG的问答）的性能不佳。虽然最近的许多活动都集中在通过使用嵌入来推断新事实来解决KG的稀疏性，但通过KG精化任务来清除KG中的噪声的问题并没有得到积极的研究。大多数成功的KG细化技术利用推理规则和本体推理。除了少数例外，嵌入不利用本体信息，并且它们在KG细化任务中的表现还没有得到很好的理解。在本文中，我们提出了一个KG细化框架称为IterefinE迭代结合两种技术-一个使用本体信息和推理规则，PSL-KGI，和KG嵌入，如ComplEx和ConvE不。因此，IterefinE不仅能够利用本体信息来提高预测的质量，而且还能够利用KG嵌入的能力（隐式地）执行更长的推理链。IterefinE框架在协同训练模式下运行，并导致从PSL-KGI（我们称之为TypeE-X）中细化的KG的显式类型监督嵌入。我们在一系列KG基准上的实验表明，我们产生的嵌入能够拒绝KG中的噪声事实，同时推断出更高质量的新事实，从而使整体加权F1得分提高了9%
2020-06-03 cs.AI cs.DB cs.LG
PROflow: An iterative refinement model for PROTAC-induced structure prediction
Peking University（北京大学）；Massachusetts Institute of Technology（麻省理工学院）；Tsinghua University（清华大学）
针对PROTAC诱导结构预测中晶体结构不足的问题，研究提出新型伪数据生成方案，构建迭代优化模型PROflow，在对接性能与速度上优于现有方法，可支撑大规模筛选且预测结构属性与降解活性显著相关。
2024-04-10 cs.AI cs.LG q-bio.BM
Iterative Policy Refinement through Semantic Rollout Analysis
Carnegie Mellon University（卡内基梅隆大学）；Meta
提出闭环框架，利用LLM分析策略回滚的表格数据，迭代精化结构化策略，无需人工指令，在赛车和开门任务上性能提升最高15%，计算量减少75%。
2026-10-02 cs.AI cs.LG
Iterative Grasp Pose Refinement: A Deep Reinforcement Learning Approach for 2D Vision
University of Tehran（德黑兰大学）
本研究提出结合关键点表征与DQN的强化学习框架，通过迭代优化抓取位姿，在Dex-Net数据集300个物体上对几何判定不可抓取物体实现100%成功率，且可实现仿真到真实的迁移，为接触丰富的操作任务提供解决方案。
2026-08-19 cs.AI cs.LG cs.RO
Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design
Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学布罗德研究所）；Massachusetts Institute of Technology（麻省理工学院）
抗体是一种多功能蛋白质，可以与病毒等病原体结合，刺激适应性免疫系统。抗体结合的特异性由这些Y形蛋白质末端的互补决定区（CDR）决定。在本文中，我们提出了一个生成模型来自动设计具有增强的结合特异性或中和能力的抗体的CDR。以前的生成方法将蛋白质设计公式化为结构条件序列生成任务，假设所需的3D结构是先验的。相比之下，我们建议将CDR的序列和3D结构共同设计为图。我们的模型解开序列自回归，同时迭代地完善其预测的全局结构。推断出的结构反过来指导随后的残基选择。为了提高效率，我们以粗粒度的方式对CDR内部和外部残基之间的条件依赖性进行建模。我们的方法在测试集上实现了优越的对数似然，并且在设计能够中和SARS-CoV-2病毒的抗体方面优于以前的基线。
2022-01-27 cs.LG q-bio.BM
Symbolic Regression via Latent Iterative Refinement
Georgia Institute of Technology（佐治亚理工学院）
提出潜在方程嵌入（LEE）框架，通过迭代推断在功能基础化的潜在空间中缩小符号回归的推断差距，生成更简单且准确的表达式。
2026-05-26 cs.LG
Recursive Meta-Distillation: An Axiomatic Framework for Iterative Knowledge Refinement
本文提出递归元知识蒸馏的公理化框架，通过概率分布算子的序列形式化，证明了递归蒸馏在KL散度上的收敛性及稳定性，为理解迭代蒸馏的理论基础提供了新视角。
2026-01-19 cs.LG
Are LLMs Better GNN Helpers? Rethinking Robust Graph Learning under Deficiencies with Iterative Refinement
School of Computing KAIST Daejeon Republic of Korea（韩国国立庆尚大学计算机科学学院）；School of Computer Science（计算机科学学院）；School of Computing KAIST（韩国国立庆尚大学计算机科学学院）
该研究针对真实图缺陷削弱GNN性能的问题，首次系统对比传统GNN与LLM增强图方法在复合缺陷下的表现，提出迭代式RoGRAD框架，通过RAG和迭代图对比学习实现动态增强，性能超越两类基线，最高平均提升82.43%。
2025-10-02 cs.AI cs.LG
Trade When Opportunity Comes: Price Movement Forecasting via Locality-Aware Attention and Iterative Refinement Labeling
Institute for Interdisciplinary Information Sciences (IIIS), Tsinghua University（清华大学交叉信息研究院）；Huatai Securities Co., Ltd（华泰证券股份有限公司）
针对金融数据低信噪比导致交易信号误判的问题，提出融合局部感知注意力与迭代优化标注的LARA框架，在三类真实金融市场实验中表现优于现有机器学习方法，能更可靠地捕捉交易机会。
2024-07-10 cs.AI cs.CE cs.LG
Iterative Refinement Improves Compositional Image Generation
Carnegie Mellon University（卡内基梅隆大学）；Lambda AI
本文提出了一种迭代细化策略，通过视觉-语言模型反馈提升组合图像生成质量，实验显示在多个基准上均优于并行采样方法。
2026-01-21 cs.AI cs.CV cs.LG
