导师简介
如果你想申请新加坡国立大学 计算机学系博士，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新加坡国立大学的Prof. Chen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！
教授现任新加坡国立大学（NUS）副校长（研究与技术）、杰出教授，同时担任新加坡国家级人工智能项目AI Singapore的首席科学家，隶属于计算机科学系。
教授于1987年获国立台湾大学电子工程学士学位，1990年和1993年分别获加州理工学院电子工程硕士、博士学位，博士阶段因杰出独立研究获查尔斯·威尔茨奖。
教授拥有美国顶尖高校及科研机构任职经历，包括康奈尔大学、卡内基梅隆大学教授，AT&T贝尔实验室研究员；曾担任南洋理工大学（NTU）工程学院院长；在学术组织领域贡献突出，创办IEEE信号处理学会多媒体信号处理技术委员会及研讨会，曾任IEEE Transactions on Multimedia主编。
研究分析
（一）代表性论文解析
- 《FSL-Rectifier: Rectify Outliers in Few-Shot Learning via Test-Time Augmentation》（Proceedings of the Aaai Conference on Artificial Intelligence, 2025）：针对FSL模型推理阶段异常样本导致的泛化偏差问题，提出通过生成式图像组合器融合原始样本与训练集样本生成测试类额外样本，再经增强器获取平均特征。该方法无需额外训练或数据集，可使现有FSL模型准确率提升约10%，核心价值在于降低了FSL技术的工业落地门槛。
- 《FSL-QuickBoost: Minimal-Cost Ensemble for Few-Shot Learning》（Mm 2024 Proceedings of the 32nd ACM International Conference on Multimedia, 2024）：设计基于随机森林的one-vs-all二进制分类器（FSL-Forest）与替代架构预训练编码器，通过logit级平均与现有FSL模型集成。实验证明该方法在三个基准数据集上实现state-of-the-art性能，且具备高效性，体现了教授团队对“低代价模型优化”的研究侧重。
- 模型校准与泛化研究：《MaxEnt Loss: Constrained Maximum Entropy for Calibration under Out-of-Distribution Shift》（Proceedings of the Aaai Conference on Artificial Intelligence, 2024）：提出基于最大熵原理的新损失函数，通过融入训练过程中的统计约束，解决分布外（OOD）场景下模型校准失效问题。该研究填补了现有校准方法在OOD场景的短板，兼顾校准效果与模型准确率，对高可靠性AI系统设计具有重要意义。
- GenAI与信息治理研究：《Misinformation, Disinformation, and Generative AI: Implications for Perception and Policy》（Digital Government Research and Practice, 2025）：构建三级框架分析GenAI驱动内容的生命周期，从消费者视角探究虚假信息传播机制，提出跨技术、社会科学、政策分析的交叉学科解决方案。该论文被引1818次，说明其研究成果获得学界广泛认可，也体现了教授团队从纯技术研究向技术社会影响延伸的研究脉络。
研究想
- 跨模态少样本学习中的异常值修正研究：结合教授FSL异常值修正与多媒体计算研究基础，提出面向图像-文本跨模态FSL场景的异常值检测与修正方法。现有FSL-Rectifier聚焦单模态图像，跨模态数据的模态差异会加剧异常值干扰，可引入模态注意力机制优化样本融合策略，提升跨模态少样本分类任务的稳定性，适用于多媒体检索、跨模态内容识别等实际场景。
- 基于MaxEnt Loss的GenAI虚假信息检测模型校准：融合教授模型校准与GenAI信息治理研究方向，将MaxEnt Loss应用于GenAI生成文本/图像的虚假信息检测模型。现有虚假信息检测模型在面对新型GenAI生成内容时易出现校准偏差，可通过融入GenAI生成内容的统计特征约束，提升检测模型在未知虚假信息类型下的可靠性，为数字信息治理提供技术支撑。
- 面向工业场景的轻量化FSL集成框架研究：基于FSL-QuickBoost的高效集成思路，针对工业视觉检测（如产品缺陷识别）的轻量化需求，设计低计算成本的FSL集成框架。通过优化预训练编码器结构与集成策略，在保证检测精度的前提下降低模型部署成本，解决工业场景中稀有缺陷样本少、检测模型泛化难的痛点，衔接教授团队的工业合作背景。
申请建议
1. 学术背景准备
- 专业匹配度提升：优先具备electrical engineering、computer science相关专业硕士学位，核心课程需覆盖machine learning、computer vision、pattern recognition等方向；若本科/硕士专业存在偏差，可通过选修相关课程（如Stanford CS231n计算机视觉课程）或完成相关线上专项课程（Coursera机器学习专项）弥补。
2.科研能力提升
- 核心技能储备：掌握Python编程语言及深度学习框架（PyTorch/TensorFlow），熟悉FSL、LCA相关算法实现；有条件可学习process modeling软件（如Aspen Plus）或LCA软件（SimaPro），契合教授团队对定量研究与模型构建的需求；了解常用数据集（如ImageNet、Omniglot）的使用方法，具备实验设计与结果分析能力。
- 科研经历积累：优先参与machine learning、computer vision相关科研项目，如少样本学习模型优化、图像识别算法研究等，争取以第一作者身份发表学术论文（会议论文如AAAI、ACM Multimedia优先，与教授发表渠道匹配）；若无论文发表，可整理项目成果形成技术报告，突出实验设计、算法创新及性能提升等核心亮点。
3. 申请材料优化
- 简历（CV）打磨：结构化呈现学术背景、科研经历、技能证书等内容，科研经历部分需采用“项目背景-核心职责-研究成果”的逻辑，量化成果（如“提出XX优化算法，使FSL模型准确率提升8%”）；重点标注与教授研究方向相关的经历，如少样本学习、模型校准等项目经验。
- 动机信（SOP）撰写：避免泛泛而谈，需精准匹配教授研究方向，可结合教授FSL系列论文或GenAI信息治理研究，阐述个人研究兴趣与教授团队研究的契合点；说明选择该团队的原因，可提及教授在跨学科科研与国际合作方面的优势，以及个人对相关研究方向的长期规划；若有学术疑问，可在信中简要提出1-2个有深度的问题，体现对教授研究的深入了解。
- 推荐信准备：优先选择具备machine learning、computer vision领域科研经验的教授或导师撰写推荐信，推荐人需熟悉申请人的科研能力与学术潜力；若有跨学科项目经历，可邀请项目合作导师（如工程领域与计算机领域联合导师）共同推荐，契合教授团队跨学科研究特点。
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。
