上海纽约大学数据科学方向有一位助理教授，Google Scholar引用刚过1200，论文35篇——这个数字在数据科学领域不算惊人。但翻完他的合作者列表后发现一个不太常见的模式：他的PhD学生第一年在纽约Courant数学研究所上课，之后回上海做研究，毕业拿NYU学位。他本人也是从Courant做完博士后直接来的上海。
一条不太常规的学术路径
凌舒扬（Shuyang Ling），上海纽约大学数据科学助理教授，同时是NYU Tandon工学院的Global Network助理教授。加州大学戴维斯分校应用数学博士，导师Thomas Strohmer（信号处理领域知名学者）。2017-2019年在NYU Courant做Courant Instructor，之后全职加入上海纽约大学。
查他的论文列表，研究集中在几个交叉地带：信号处理中的逆问题、非凸优化的理论保证、谱方法在图切割和排序中的应用，以及最近开始涉足的neural collapse数学分析。这个方向组合有一个特征——他不做纯应用机器学习，而是用严格的数学工具分析ML和信号处理中的核心问题。
论文里能看出什么
翻完2022年之后的论文，方向重心有明显偏移。早期（2015-2019年）集中在盲反卷积和压缩感知的自校准，发在IEEE Trans. Information Theory和Inverse Problems上。但2022年后关键词变成了neural collapse、rank aggregation、spectral methods——从经典信号处理向机器学习理论过渡。
几篇代表性论文：
Beyond Unconstrained Features: Neural Collapse for Shallow Neural Networks with General Data（2024预印本，与博士生Hong合作）——把neural collapse分析从无约束特征推广到浅层网络。
Improved Theoretical Guarantee for Rank Aggregation via Spectral Method（2024，与博士生Zhong合作）——谱方法在排序问题中的理论边界。
Certifying Global Optimality of Graph Cuts via Semidefinite Relaxation（FOCM, 2019）——谱聚类理论保证的代表作，发在数学顶刊上。
双校区培养的真实节奏
上海纽约大学Data Science PhD有独特结构：入学前先在上海做暑期研究轮转（funded），第一年去纽约Center for Data Science上课，第二年暑期回上海做第二次轮转，之后留上海做论文。跟凌舒扬读博的学生会在纽约待至少一整学年。目前在读PhD 2-3人，组不大，每人得到的指导时间相对充裕。
Research Proposal切口：两个方向比较容易对齐——一是neural collapse在不同架构中的数学分析（他刚起步，空间大）；二是谱方法在新数据科学问题中的应用（比如多模态低秩恢复）。注意他偏好有严格数学证明的工作，纯实验proposal不太对路。
哪些方向别碰
早期做的盲反卷积和自校准压缩感知，2020年后几乎没新产出。围绕这些套磁大概率得不到积极回应。他的信号处理是纯数学视角的，不做通信系统、无线网络。
隐性门槛
合作者和学生背景几乎都有扎实数学训练（应用数学或纯数学）。缺少实分析、泛函分析、概率论这些课程，或缺乏证明类论文写作经验，申请难度显著增大。这不是"会写代码就能进"的组。
趋势研判：neural collapse的数学理论是近两年ML理论热点，NeurIPS/ICML相关论文持续增长。他在非凸优化和谱方法方面的积累提供独特切入角度。proposal建议同时了解他的谱聚类工作——与neural collapse有方法论连接。
奖学金与资助
NYU Shanghai Doctoral Fellowship（L1）：全额覆盖NYU学费和杂费+年度生活津贴+国际医疗保险+纽约住房补助+差旅基金。参考NYU纽约Data Science PhD标准（约$40,000-45,000/年），上海校区资助具有竞争力。
培养特色（L1）：第一年纽约上课期间有额外住房补助；每年有conference travel fund。
招生状态（L2）：Data Science PhD项目列他为指导教授，组内在读PhD仅2-3人，tenure-track阶段大概率持续招生。2026秋季申请截止2025年12月4日。
注：以上综合自NYU Shanghai PhD Programs官网和CSDSE页面，具体以导师确认为准。
你现在最想确认的是"自己的数学背景够不够"，还是"双校区模式到底适不适合自己"？
