Imperial College London（帝国理工学院）

Operationalising Relative Causal Knowledge: Backbone Identifiability from Private Reports on a Shared Outcome

相对因果知识的可操作化：基于共享结果的私人报告的主干可识别性

Fabrizio Russo, Mark Somers

机构 * Imperial College London（帝国理工学院） ； Fifty One Degrees Ltd（51度公司） 纠错

AI总结 本文研究相对因果知识的主干可识别性，针对双智能体共同效应案例，明确局部因果边际无法唯一确定主干，提出需智能体传递因果识别的响应函数方可实现识别，以教育增值示例说明其兼具通信与政策组合属性。

Comments Accepted at Causal Decision Making Workshop, UAI2026. 4 pages + Appendix (13 total)

Dynamic Context Adapters: Efficiently Infusing History into Vision-and-Language Models

动态上下文适配器：将历史信息高效注入视觉-语言模型

Yuhang Song, Bor-Jiun Lin, Jiaxu Liu, Te-Chuan Chiu, Anh Nguyen, Chun-Yi Lee

机构 * University of Liverpool（利物浦大学） ； National Tsinghua University（国立清华大学） ； Imperial College London（伦敦帝国学院） ； National Taiwan University（国立台湾大学） 纠错

AI总结 针对视觉-语言模型整合历史上下文时的计算与信息损失问题，提出动态上下文适配器（DCA），实现高效历史注入，降低注意力FLOPs超25%、内存13%，提升长时序任务性能。

MRIComp4Flow: Compression of 3D Brain MRI for Training Multi-Modal Generative Models

MRIComp4Flow：用于训练多模态生成模型的三维脑部MRI压缩

Lisa K. Fischer, Mykhailo Riabets, Daniel Rueckert, Benedikt Wiestler, Anke Meyer-Baese, Sandeep Nagar

机构 * Technical University of Munich (TUM)（慕尼黑工业大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Imperial College London（帝国理工学院） ； Florida State University（佛罗里达州立大学） ； Institute for Advanced Study, TUM (TUM-IAS)（慕尼黑工业大学高等研究院） ； TUM University Hospital（慕尼黑工业大学医院） 纠错

AI总结 该研究针对大规模多模态MRI的存储与I/O问题，采用JPEG2000或JPEG-LS压缩三维脑肿瘤MRI，在20:1压缩率下训练Wavelet Flow Matching模型，证实其合成质量与未压缩数据训练的模型相当，为可扩展三维MRI生成建模提供了实用方案。

Comments Accepted: MICCAI 2026 SASHIMI workshop

Patients With Personality: Realistic Patient Simulation through Controlled Diversity and Selective Disclosure

具有个性的患者：通过受控多样性与选择性披露实现逼真的患者模拟

Moritz Schlager, Friederike Jungmann, Samuel Schmidgall, Philipp Raffler, Franziska Hartl, Eva Wende, Paula Roßmüller, Conrad Ketzer, Avinatan Hassidim, Dale R. Webster, Yossi Matias, Yun Liu, Daniel Rueckert, Mike Schaekermann, Paul Hager

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； TUM University Hospital（慕尼黑技术大学医院） ； Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 提出PatientsWithPersonality框架，通过HEXACO人格参数化控制患者对话风格、合作性和信息披露，生成逼真且多样化的虚拟患者，在临床评估中接近真实演员表现。

Comments 22 pages, 11 figures

Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach

利用大语言模型进行因果发现：一种基于约束和论证的方法

Zihao Li, Fabrizio Russo

机构 * Department of Computing（计算系） ； Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文提出利用大语言模型作为不完美的专家，结合语义结构先验和条件独立性证据，实现因果发现的先进方法。

Comments Accepted at UAI 2026. 37 pages, including appendix

A variational Bayes approach to inference for low-dimensional parameters in high-dimensional linear regression

高维线性回归中低维参数推断的变分贝叶斯方法

Ismaël Castillo, Alice L'Huillier, Kolyan Ray, Luke Travis

机构 * Sorbonne Université（索邦大学） ； Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 针对高维线性回归的低维参数推断问题，提出一种结合平均场近似的可扩展变分贝叶斯方法，兼具计算优势与准确推断能力，且理论与数值表现均具竞争力。

Comments We have strengthened the Bernstein-von Mises results to hold in total variation and for growing parameter subsets, and generally improved the presentation