香港理工大学计算机系科学系全奖博士招生 | Prof. YU

导师简介

如果你想申请香港理工大学计算机系科学系博士，那今天这期文章解析可能对你有用！今天Mason学长为大家详细解析香港理工大学的Prof. YU的研究领域和代表文章，同时，我们也推出了新的内容“科研想法&开题立意”，为同学们的科研规划提供一些参考，并且会对如何申请该导师提出实用的建议！方便大家进行套磁！后续我们也将陆续解析其他大学和专业的导师，欢迎大家关注！

Yu Pei现任香港理工大学计算机系副教授，长期深耕软件工程领域，在学术研究与人才培养方面均有显著成果。

教授拥有扎实的学术功底，先后获得南京大学理学学士和工程学博士学位，后又取得苏黎世联邦理工学院的科学博士学位，跨院校的深造经历为其研究提供了多元视角。

YU教授曾多次担任国际顶级学术会议程序委员会成员，如2020年44th IEEE COMPSAC、14th TASE、22nd ICFEM，以及2019年13th TASE、21st ICFEM等；2025年其参与的研究论文获ICSE 2025 Research/Main Track - Distinguished Paper Award，彰显了研究成果的高质量与创新性。

研究分析

核心研究方向聚焦：教授研究团队以软件工程为核心，重点围绕软件测试与验证、静态分析框架优化、编程教育自动化反馈三大方向展开，研究兼具理论深度与应用价值，且紧密结合当下人工智能与软件工程交叉领域的热点问题。

代表性成果解读：

1. 2025年ICSE论文：《A Test Oracle for Reinforcement Learning Software Based on Lyapunov Stability Control Theory》这是团队近期的标志性成果，首次将Lyapunov Stability Control Theory引入强化学习软件的测试预言设计中。该研究针对强化学习软件测试中“缺乏有效判定输出正确性的标准”这一痛点，提出基于稳定性理论的测试方法，为强化学习系统的可靠性验证提供了新路径，获ICSE杰出论文奖也印证了该方法在软件工程领域的创新意义（ICSE是IEEE/ACM联合举办的软件工程顶会，Main Track论文录取率低，杰出论文奖更是对研究创新性与影响力的高度认可）。
2. 2024年ISSTA论文：两篇发表于ACM SIGSOFT ISSTA（软件工程领域顶级测试会议）的论文分别聚焦不同细分场景。《BRAFAR: Bidirectional Refactoring, Alignment, Fault Localization, and Repair for Programming Assignments》针对编程教育中的自动化反馈问题，提出双向重构、对齐、故障定位与修复的一体化方案，旨在提升编程作业批改的效率与精准度，推动编程教育的智能化发展；《Characterizing and Detecting Program Representation Faults of Static Analysis Frameworks》

   深入分析静态分析框架中的程序表示故障，通过构建故障特征模型实现精准检测，为静态分析工具的可靠性提升提供了技术支撑。

研究想法

1. 多智能体强化学习系统的稳定性测试框架拓展：现有团队研究聚焦单智能体强化学习软件测试，可进一步将Lyapunov Stability理论扩展至多智能体协作场景。通过构建多智能体交互的稳定性约束模型，设计面向“协作-竞争”混合场景的测试预言，解决多智能体系统中因个体行为耦合导致的测试难题。例如，可应用于自动驾驶多智能体决策系统的可靠性验证，通过模拟复杂交通场景下的智能体交互，检测系统是否满足稳定性与安全性约束。
2. 大语言模型生成代码的静态分析故障检测优化：结合团队在静态分析框架故障检测的研究基础，针对大语言模型（如GPT-4、CodeLlama）生成代码中常见的程序表示不一致问题，设计融合语义理解的故障检测模型。通过将代码的句法结构与语义信息（如变量依赖、函数调用逻辑）结合，构建更精准的故障特征库，提升静态分析工具对AI生成代码的错误识别率，助力AI辅助编程的可靠性提升。
3. 基于强化学习的编程教育个性化反馈系统：整合团队在强化学习与编程教育自动化反馈的研究成果，设计基于强化学习的个性化反馈模型。通过分析学生的编程行为数据（如错误类型、修改路径、思考时间），构建学生能力画像，利用强化学习算法动态调整反馈策略（如故障解释的详细程度、修复提示的引导方式），实现“千人千面”的编程教育辅导，提升学习效果。

申请建议

1.学术背景与知识储备：

• 核心课程需涵盖软件工程基础（如软件测试、软件质量保证）、程序分析（静态分析、动态分析）、人工智能（强化学习、机器学习基础），建议选修《Software Testing and Analysis》《Formal Methods in Software Engineering》等课程，构建与教授研究方向匹配的知识体系。
• 深入理解Lyapunov Stability Control Theory在软件工程中的应用逻辑，阅读团队2025年ICSE论文及相关领域文献（如强化学习系统验证、控制理论与软件测试交叉研究），形成自己的认知框架。

2.技能与工具准备：

• 编程能力：熟练掌握Python（强化学习算法实现）、C/C++（静态分析工具开发），具备代码重构与故障定位的实践经验；
• 工具使用：熟悉主流静态分析框架（如Clang Static Analyzer、Soot）、强化学习框架（如PyTorch、TensorFlow）、软件测试工具（如JUnit、PyTest），有相关工具二次开发经验者优先；
• 数据分析能力：掌握基础的数据处理与可视化工具（如Pandas、Matplotlib），能够对实验数据进行定量分析与结果呈现。

3.科研经历积累：

• 优先参与软件工程领域的科研项目，如软件测试方法改进、静态分析工具开发、编程教育平台搭建等，争取在项目中承担核心模块开发或实验设计工作；
• 尝试撰写学术论文，目标期刊/会议可从CCF B类或C类入手（如《Journal of Systems and Software》《IEEE International Conference on Software Maintenance and Evolution》），研究主题尽量贴近教授的核心方向，突出自己的技术贡献；
• 若有编程竞赛或开源项目贡献经历（如参与知名软件测试工具的开源社区开发），可在申请材料中重点体现，展现实践能力与协作精神。

4.申请材料打磨：

• CV：按“教育背景-科研经历-技能证书-学术服务”模块组织，科研经历部分采用“项目背景-个人职责-技术方法-成果产出”的逻辑撰写，量化成果（如“设计的测试工具提升代码错误检测率15%”）；
• 动机信：避免泛泛而谈，需结合教授的具体研究成果（如2025年ICSE论文的测试方法）阐述自己的研究兴趣，说明选择该导师的原因，并简要提及1-2个自己构思的研究方向（可参考本文第三部分的想法，结合自身经历细化）；
• 推荐信：优先选择软件工程或人工智能领域的导师撰写推荐信，推荐人需熟悉申请人的科研能力与学术潜力，信中可具体举例说明申请人在相关项目或课程中的表现。

博士背景

Aurelia ，美国TOP10院校计算机科学与认知科学双博士生，研究聚焦算法博弈论不确定性及其在人工智能中的应用。她的跨学科研究融合了计算机科学、语言学和心理学知识，在国际顶级期刊《Journal of Artificial Intelligence Research》和《Cognitive Science》上发表多篇论文。Aurelia 荣获ACM SIGAI博士论文奖，擅长相关方向的PhD申请指导。