招生要求
1. 学术背景条件
与Sijia Chen研究方向相关的专业（如Electrical and Computer Engineering、Financial Engineering等）是申请人的核心背景要求。学校明确规定，申请人需持有硕士学位；若为本科生，需满足“优秀本科生直博”条件——不仅GPA需达3.0/4.0（或百分制80分以上），还需具备科研经历或相关学术成果，这是因为导师研究涉及EE与金融的交叉领域，需要申请人有扎实的跨学科基础。
2. 语言能力要求
英语能力证明是非英语母语申请人的必备材料：托福总分80分且单项20分以上，或雅思总分6.5分且单项6.0分以上均可。值得注意的是，若申请人本科或硕士阶段采用全英文授课，可提交授课证明申请豁免——这一设置既保障授课沟通效率，也避免对全英文环境下培养的学生造成重复考核。
3. 学术能力材料
GRE成绩（Quantitative建议160+）虽非所有情况强制，但仍是重要参考；成绩单、学术论文、科研报告需重点体现与distributed computing、multimodal learning等方向的关联性——例如曾参与联邦学习项目，或发表过金融AI相关论文，会显著提升竞争力，因为导师更关注申请人的科研潜力与方向适配度。
4. 推荐信与研究计划
2-3封推荐信需由领域内学者撰写，内容需具体说明申请人的学术能力（如是否掌握game theory算法）与适配性；Research Proposal（2000-3000字）是核心材料，需清晰阐述拟研究问题与方法（如计划用federated learning解决金融隐私问题）——导师通过该材料判断申请人是否具备明确的研究思路，避免因方向偏差导致后续科研效率低下。
5. 面试环节
英文面试由Sijia Chen及招生委员会共同主持，占录取评估的30%。面试重点考察三方面：专业基础（如对decision-making algorithms的理解）、科研思维（如如何解决多模态数据噪声问题）、沟通能力——这是因为博士阶段需要频繁的学术交流，且导师需确认申请人能独立推进交叉领域研究。
研究方向
1. 分布式计算（Distributed Computing）
Sijia Chen将联邦学习（Federated Learning）作为分布式计算的核心研究内容，其本质是解决“数据隐私与模型性能”的矛盾：传统集中式训练需收集大量金融数据，易引发隐私泄露，而联邦学习让各机构在本地训练模型，仅上传参数——导师进一步研究如何提升该框架的通信效率（减少参数传输量）、适配异构设备（如银行与券商的不同服务器），并融合差分隐私技术，为金融数据脱敏提供解决方案，这一方向既符合学术前沿，也满足金融行业的实际需求。
2. 多模态学习（Multimodal Learning）
该方向以视觉-语言对齐（Vision-Language Alignment）为核心，区别于通用多模态研究，导师聚焦金融场景：金融市场的信息不仅来自文本（如研报），还包括财报图表、K线图等视觉数据，传统模型难以关联两类数据的语义。导师通过改进跨模态注意力机制，让模型精准捕捉“图表数据-文本分析”的关联，同时优化噪声处理（如模糊财报图表的识别），这一研究能为金融信息解读提供更全面的技术支撑。
3. 决策算法（Decision-Making Algorithms）
导师以博弈论（Game Theory）为理论基础，研究多主体决策问题——在金融市场中，投资者、机构、监管方的行为相互影响，传统决策算法难以模拟这种动态交互。导师通过改进均衡求解算法，让模型更精准地捕捉多参与者的行为规律，从而提升决策的公平性（如避免机构垄断导致的算法偏见）与有效性（如优化投资决策），这一方向填补了“博弈论与金融决策”结合的技术空白。
4. 推理语言模型（Reasoning Language Models）
导师的研究分为两部分：一是去中心化推理系统，解决分布式架构下“推理效率低、一致性差”的问题——例如金融机构分布在不同地区，去中心化系统需保障各节点推理结果一致；二是多智能体协作大推理模型，探索智能体间的分工与信息交互——例如让不同智能体分别处理文本、视觉数据，再协作完成推理，这一研究能提升模型处理复杂金融问题的能力（如多因素风险评估）。
5. 大模型在金融领域的应用（Applications of Large Language Models in Finance）
该方向是导师研究的落地重点，聚焦多智能体大模型的四大场景：市场仿真（模拟股价波动帮助机构测试策略）、策略演化（动态生成适配市场变化的交易策略）、博弈均衡建模（分析市场参与者的行为均衡状态）、风险控制（预警信用风险与市场风险）——这些场景均针对金融行业的核心需求，研究成果具有直接的产业应用价值。
有想法
1. 联邦学习+多智能体大模型的金融风控系统研究
当前金融风控面临“数据隐私”与“多主体交互”两大难题：一方面，隐私法规禁止数据集中使用，导致模型训练数据不足；另一方面，单一智能体模型无法应对银行、券商等多机构的风险交互。基于此，该计划提出“分布式训练-集中式推理”模式——各金融机构作为独立智能体，在本地用自有数据训练模型，仅上传经隐私保护的参数，再通过多智能体协作融合跨机构风险特征；同时引入博弈论风险分配机制，明确各机构的风险责任。这一计划的创新点在于“隐私保护”与“多主体协作”的结合，既解决数据隐私问题，又提升风控模型对多机构交互场景的适配性。从可行性来看，导师已在联邦学习与多智能体模型领域有积累，可基于现有FedAvg/FedProx框架改进，结合金融机构脱敏数据（如信用卡交易数据）开展实验，技术路线成熟。
2. 视觉-语言对齐多模态模型的金融市场情绪分析研究
传统金融市场情绪分析仅依赖文本数据（如新闻、研报），忽略了财报图表、K线图等视觉数据中的情绪信息——例如K线图的“红涨绿跌”可直观反映市场情绪，但现有模型难以将其与文本分析关联。该计划的核心是构建金融场景专属的视觉-语言数据集，涵盖财报图表、K线图及对应分析文本；同时改进跨模态注意力机制，融入金融知识图谱（如行业分类、财务指标），让模型精准捕捉“视觉特征-文本情绪-市场趋势”的关联，用于短期市场情绪预测与风险预警。这一计划的创新点在于填补“金融视觉数据与文本数据融合分析”的空白，提升情绪分析的维度与精度。可行性方面，导师在多模态学习领域有研究基础，可微调CLIP/ALBEF等成熟模型，通过Yahoo Finance、Wind等公开数据库获取数据，对比传统文本情绪分析模型的预测准确率即可验证效果，技术难度可控。
3. 博弈论+去中心化推理的金融策略演化优化研究
现有金融交易策略存在两大缺陷：一是基于中心化推理模型，难以适应市场中投资者、机构等多参与者的动态博弈环境，策略易因市场结构变化而失效；二是去中心化推理系统虽能适配分布式场景，但存在推理效率低、策略一致性差的问题。针对这些问题，该计划将博弈论中的纳什均衡求解算法融入去中心化推理系统，设计“局部推理-全局均衡”机制——各智能体基于本地市场数据生成初始交易策略，通过多智能体博弈调整策略，最终达到全局均衡状态；同时引入强化学习算法，优化策略的动态更新速度，提升对市场变化的适应性。这一计划的创新点在于“博弈论”与“去中心化推理”的结合，让策略既能适配多参与者博弈场景，又保障推理效率与一致性。从可行性来看，导师在博弈论与去中心化系统领域有积累，可基于区块链推理架构改进，通过QuantConnect等金融市场仿真平台验证策略效果，实验数据易获取，技术路线可行。
【竞赛报名/项目咨询+微信：mollywei007】
