导师简介
如果你想申请香港科技大学 计算机科学系博士，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科技大学的Prof. QU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！
Huamin QU教授2004年于美国纽约州立大学石溪分校获计算机科学博士学位，现任香港科技大学跨学科事务处处长、新兴跨学科领域学部代理主任、计算机科学与工程学系讲座教授，同时担任个性化跨学科项目主任。
作为数据可视化领域顶尖学者，他是亚洲首批入选IEEE Visualization Academy的两位学者之一，其带领的可视化实验室（Vis Lab）在领域顶刊IEEE Transactions on Visualization and Computer Graphics（TVCG）发表论文数位居全球第一，累计发表学术成果357项，研究覆盖多学科交叉领域，兼具学术影响力与产业转化价值。
研究分析
（一）核心论文解读
- 《At the Peak: Empirical Patterns for Creating Climaxes in Data Videos》（IEEE TVCG, 2025）：首次提炼数据视频高潮部分的实证构建模式，为信息可视化传播提供了可复用的设计框架，解决了数据叙事中情感与逻辑衔接的核心问题。
- 《CellScout: Visual Analytics for Mining Biomarkers in Cell State Discovery》（IEEE TVCG, 2025）：跨界融合生物医学与可视分析技术，开发专用工具CellScout，实现细胞状态标志物的高效挖掘，降低了生物数据解读的技术门槛。
- 《DataWink: Reusing and Adapting SVG-based Visualization Examples with Large Multimodal Models》（IEEE TVCG, 2025）：将多模态大模型与SVG可视化实例结合，提出可视化复用与适配方案，推动大模型在可视分析领域的实用化落地。
（二）在研项目剖析
教授牵头及参与的10个项目中，5项为牵头项目，覆盖RGC三大资助计划，体现跨学科研究特色与应用导向。
- 牵头项目《Visual Analytics of Student-AI Interaction Data for Generative AI-Assisted Learning》（RGC通用研究基金，2024-）：聚焦生成式AI辅助学习场景，通过可视分析技术解析学生与AI的交互数据，为个性化教学优化提供数据支撑，填补了AI教育交互量化分析的空白。
- 参与项目《A Digital Twin for Enhancing Coastal Resilience against Extreme Storm Surges in Hong Kong》（RGC主题研究计划，2024-2026）：将数字孪生与可视化技术融入香港海岸防灾体系，为极端风暴潮应对提供决策可视化工具，兼具学术价值与社会应用意义。
- 参与项目《Study of the regional earth system for sustainable development under climate change in the Greater Bay Area》（RGC卓越领域计划，2025-）：通过可视化技术解析区域地球系统数据，为大湾区气候变化下的可持续发展提供科学依据，体现跨学科协作的研究优势。
研究想法
- 融合BDI认知模型的AR可视化交互研究：基于Satori系统的BDI（信念-愿望-意图）理论，结合教授的Mobile augmented reality研究方向，开发面向复杂任务的智能AR可视化辅助系统，实现AR设备对用户行为意图的精准识别与实时可视化引导，可应用于医疗手术、工业检修等场景。
- 地理因果可视化分析工具开发：结合地理交叉收敛映射方法（GCCM）与信息可视化技术，针对地球系统科学研究中长时序数据缺失问题，设计可视化因果推断工具，助力气候变化、土壤退化等领域的归因分析，衔接教授参与的大湾区地球系统研究项目。
- 隐私保护导向的多模态可视化框架：聚焦教授关注的Privacy Policy与Big data方向，构建兼顾数据隐私与可视化效果的多模态框架，通过差分隐私技术对敏感数据脱敏处理，同时保留可视化所需的核心特征，适用于医疗、社交等敏感数据场景。
申请建议
（一）学术背景准备
- 专业基础：掌握Python、JavaScript等编程语言，熟练运用D3.js、Tableau等可视化工具，了解机器学习基础算法，具备数据处理与可视化建模能力；跨学科背景学生可补充计算机视觉或领域相关基础知识（如生物医学、环境科学）。
- 文献积累：系统研读教授近五年在IEEE TVCG发表的核心论文，重点梳理多模态可视化、AI辅助学习可视化等方向的研究脉络，同时关注领域顶会ACM CHI、IEEE VIS的最新成果，形成个人研究认知。
（二）研究计划撰写
- 跨学科定位：结合个人背景与教授研究方向，确定跨学科选题（如AI+可视化+教育/环境），明确选题与教授在研项目的契合点，体现对项目延续性或拓展性的思考。
- 可行性设计：参考教授团队“问题驱动”的研究模式，在研究计划中明确核心问题、技术路线及预期成果，避免空泛，可融入前文提出的原创想法，展现创新潜力。
（三）套磁与材料准备
- 套磁技巧：首次联系需精准提及教授某篇论文或项目的细节，说明个人研究兴趣与教授方向的契合度，附上个人简历与初步研究思路，避免模板化邮件；后续保持沟通，及时反馈个人学术进展。
- 材料规范：按个性化跨学科项目要求，准备研究计划、目的声明及拟议课程，确保研究团队由至少两名不同领域教员组成（提前联系潜在副导师）。
博士背景
Blythe，985电气工程硕士，后毕业于香港科技大学电子及计算机工程学系博士学位。研究方向聚焦于电力电子与智能电网技术。在国际权威期刊《IEEE Transactions on Power Electronics》和《IEEE Transactions on Smart Grid》发表多篇论文。专注于开发新型高效率电力变换器和先进智能配电系统控制算法，熟悉香港PhD申请流程。
