Imperial College London（帝国理工学院）

2606.17441 2026-08-12 cs.HC cs.AI cs.CY 版本更新

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）

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

2602.16481 2026-08-12 cs.AI 版本更新

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）

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

2406.12659 2026-08-12 stat.ML cs.LG math.ST stat.TH 版本更新

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）

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