统计学习这个词特别容易被写得很厉害。
高维。
图模型。
联邦学习。
AI。
每个词单独拿出来都挺像博士招生宣传页。
但真开始做研究以后，问题往往会突然变得很“土”。
比如：
模型学会了新东西，把以前会的东西忘了，怎么办？
这个问题就很具体。
SUTD 的 De Wen Soh 助理教授参与的一篇 2025 年 TPAMI 论文，做的是 continual semantic segmentation。
简单理解，就是模型不是一口气把世界上所有类别全学完。
新的类别会不断进来。
那麻烦就来了。
你让模型继续学新东西，它可能开始忘旧东西。
机器学习里把这类问题叫 catastrophic forgetting。
最简单的办法之一，是留一点过去的数据，后面训练的时候再拿出来“复习”。
但现实马上又问你一句：
你能留多少？
memory buffer 本来就不大。
那到底应该留下哪些旧样本？
随机留？
挑最典型的？
挑最难的？
还是让模型自己学会怎么选？
这篇工作的一个核心点，就是去学习该怎么选 replay 的样本，同时想办法更有效地利用有限 memory，还要处理由此带来的类别不平衡。
我挺喜欢这种研究问题。
因为看到这里，“我想做 AI”这句话突然就没什么用了。
AI 太大了。
甚至“我想做机器学习”都还是大。
但：
“我想研究模型不断学习新类别时，怎样减少对旧知识的遗忘。”
这个就已经开始像研究问题了。
De Wen Soh 目前在 SUTD 是 Assistant Professor。他自己的学校主页列出的研究方向包括 graphical model estimation、graph signal processing、network analytics、federated learning、transport modelling、高维统计理论和 AI。
最关键的是，主页下面没有让申请人猜。
它直接有一栏：
Positions Available
而且明确写着现在有 PhD student positions。
这时候如果你真要写邮件，我反而特别不建议第一段就来：
“Professor Soh，您的杰出研究给了我巨大启发，我一直对人工智能充满热情……”
有点浪费这个机会。
不如直接告诉他：
你碰到过什么问题。
数据不能放到一起？
类别一直变？
样本很少？
模型换一个场景性能就掉？
你试过什么？
哪里没解决？
哪怕想法很嫩，至少导师知道你脑子里装的是一个问题，而不是几个关键词。
Funding 也比较清楚。
SUTD 当前的 PhD President’s Graduate Fellowship 和 PhD Fellowship 都覆盖最多 4 年的适用学费，同时给月度 stipend。
按 2026 年 1 月起的标准，国际 PhD 学生对应的月 stipend 分别是 S$4,300 和 S$3,100；普通 PhD Fellowship 通过 qualifying examination 后，还有最高 S$500/月的额外 stipend 机制。
当然，这还是学校 scholarship。
不是 De Wen Soh 私人给每一个申请人的 funding 承诺。
所以这个机会真正让我觉得“可以认真看看”的地方，并不是“新加坡 + AI + 全奖”三个标签叠一起。
是三个很朴素的条件正好都在：
研究问题能具体下来。
导师官网现在明确有 PhD position。
学校也存在完整的 PhD funding 路径。
剩下最难的一件事，还是申请人自己的：
你到底想解决什么？
