最近很多计算机申请者都会把 Research Proposal 写成“大模型 + 某个应用场景”。这当然是热点，但对博士申请来说还不够。导师更想看到的是：你能不能把模型问题转化成可评测、可复现、可推进的研究问题。今天这位 NUS School of Computing 的 Bryan Hooi，就很适合用来理解这个差别。
导师/组基本信息
Bryan Hooi 是新加坡国立大学 School of Computing, Department of Computer Science 的 Assistant Professor，同时与 Institute of Data Science 有关联。他的官方主页和 NUS Computing 页面都显示，其研究兴趣包括 machine learning、graph algorithms、anomaly detection、spatiotemporal data，以及 biomedical applications of AI。个人主页还明确写到，研究目标是让机器学习系统更可靠、更能适用于真实场景，并且正在招收相关主题的学生。
这位导师主要做什么
这条研究线不是单纯追逐某一个模型架构，而是围绕“可靠性”展开：模型什么时候会幻觉、什么时候会被误导、什么时候无法意识到自己不知道，以及图结构、知识结构、真实应用数据能否帮助模型更稳健。对申请者来说，这意味着你不能只写“我要做LLM安全”，而要说明你准备评测什么风险、构建什么数据、用什么方法减少错误。
近几年研究重点在哪里
从公开论文列表看，Hooi 组近两年的工作明显向可信大模型、多模态模型、agent 评测、prompt injection、知识图谱与图基础模型延伸。例如 2026 年 ICLR 方向有关于多模态新闻中误导意图识别、agentic system test-time learning、视觉 prompt injection 的论文；2025 年也有 NeurIPS、EMNLP、ACL、ICML、CVPR 等会议论文，涉及模型置信表达、LLM/ML research agent 评测、知识图谱增强问答、视觉语言模型幻觉与安全等问题。
为什么适合博士申请者研究
这类方向对 PhD 申请者的价值在于，它既有明确的技术门槛，也有非常清楚的研究问题边界。你可以从 VLM hallucination、LLM factuality、图结构辅助推理、诈骗与虚假信息检测、动态图异常检测等角度切入。每个切口都可以形成“数据集/benchmark + 方法 + 评估指标 + 消融分析”的完整研究链条。
Research Proposal 可以怎么写
第一类切口是 VLM/LLM 的可靠性评估：例如模型在多模态新闻、图文混排、视觉提示注入中的错误类型如何被系统性发现。第二类切口是图结构和知识结构：例如知识图谱是否能改善开放域问答的 factuality，或者图基础模型如何在推荐、电商、风控数据中更稳健。第三类切口是真实应用场景：例如诈骗、欺诈、虚假信息、医疗或生物医学数据中的异常检测。写 proposal 时，不建议题目过大；更稳妥的写法是从一个明确任务、一个数据来源和一个评价指标开始。
什么背景更适合申请
更适合的申请者通常有机器学习、数据挖掘、NLP、图学习、多模态学习或安全评测项目经历。相比只做课程项目，能复现论文、构建数据管线、设计 benchmark 或做系统性消融的经历更有说服力。如果你曾经做过异常检测、图神经网络、LLM evaluation、prompt injection、模型安全或医疗AI项目，可以把它们组织成一条“我理解可靠性问题，也能做严谨实验”的申请主线。
Funding / 奖学金
NUS Graduate School 的 Research Scholarship 页面列出，2026 年 1 月 1 日起，国际 PhD 学生月津贴为 SGD 3000，通过 PhD Qualifying Examination 后增加 SGD 500/月，并包含 full waiver of tuition fees。NUS Computing 的 PhD scholarship 页面也说明，研究奖学金面向全日制 PhD by research 学生，按竞争性方式提供。需要注意的是，奖学金通常会结合院系评审、导师匹配和申请者背景决定。
风险与注意事项
这个方向的竞争会比较强，尤其是大模型、可信AI和多模态安全已经成为高热度主题。申请者如果只是堆模型名和会议名，很容易显得没有自己的问题意识。更好的准备方式是：挑 2-3 篇 Hooi 组近期论文，拆解它们的 benchmark、failure mode、方法改进和实验设计，再写一页自己的延伸问题。具体招生名额、奖学金安排和导师是否愿意接收学生，仍以学校录取结果与导师回复为准。
申请前自检清单
你可以用四个问题检查自己是否适合：第一，是否能解释一个模型可靠性问题为什么重要；第二，是否能提出可获得的数据或benchmark；第三，是否能设计清楚的评价指标；第四，是否能说明自己的技术训练能补上什么。如果这四点都比较清楚，套磁邮件就不只是“我对AI感兴趣”，而是能让导师快速判断你是否有博士训练潜力。
总结来看，Bryan Hooi 更适合那些不满足于追热点、愿意把可信AI问题做成严谨实验的申请者。对有图学习、LLM评测、多模态安全或异常检测背景的学生，这类方向可以形成比较清楚的 PhD 申请主线。你现在更想写可信大模型、图学习，还是异常检测方向？欢迎在评论区留下你的申请卡点。
