新组阶段的博士训练特点
香港科技大学（广州）数据科学与分析学域的 Yuwen Huang 是助理教授，个人主页明确写明正在搭建一个小型研究团队，并欢迎 prospective PhD students。新组的训练特点通常不是“已有成熟流水线照着做”，而是更早参与问题定义、工具选择和研究节奏建立。对喜欢理论与方法的人，这种阶段意味着自由度更高，也意味着需要更强的自驱和讨论能力。
研究主题对应的基础能力
导师关注具有理论保证的算法，问题落在推断、优化、量子与张量计算等方向，并使用概率图模型、信息论和优化理论等工具。普通申请者不必把每个名词都提前学完，但需要证明自己能处理抽象数学对象：看懂假设、跟踪证明、识别复杂度来源，并把推导转化为可验证的数值实验。近期工作出现在 IEEE Transactions on Information Theory、ICML 和 IEEE ISIT，也说明理论严谨性与计算实验都重要。
博士资助与学习节奏
学校公布的研究型研究生资助中，全日制 PhD 的 Postgraduate Studentship 为每月15,000元，支持期最长4年。这个信息适合用来做基本现金流预估，但申请材料本身仍要围绕研究能力，而不是围绕奖学金。博士阶段真正消耗时间的是把一个模糊想法变成可证明、可计算、可复现实验的研究问题，因此数学训练、代码质量和写作能力往往会同时被检验。
Research Proposal需要呈现的内容
如果申请方向偏理论，Research Proposal 最有价值的不是堆很多应用场景，而是把一个问题的结构讲清楚：现有方法依赖什么假设，哪一类数据或计算条件让它失效，你希望放松哪条假设，预期用什么数学工具建立新结果，再用什么实验检查边界。申请者若做过优化、概率、统计学习、图模型或信息论项目，应明确自己承担了推导、证明、实现还是实验设计。
CV与代码材料的组织方式
CV 可以把“课程—项目—产出”连起来。例如一门凸优化或概率课程之后，是否有一个需要自己建模的项目；一个机器学习项目里，是否真正比较过复杂度、稳定性和误差，而不是只跑现成网络。代码材料最好能体现实验可复现、参数管理和结果解释。对新组而言，能把数学论证和可靠实现同时做好，往往比单纯列出更多框架名称更有说服力。
理论结果与数值实验的训练闭环
导师近期工作横跨信息论、机器学习会议和理论计算方向，这类研究的共同要求是：理论结论必须说清适用条件，数值实验也要服务于理论问题。申请者可以在材料中展示自己如何从一个现象提出猜想，再通过推导建立界、复杂度或收敛性质，最后设计实验观察边界条件是否与理论一致。即使最终没有得到完整定理，只要能够呈现严谨的问题拆解、失败路径和修正过程，也比单纯给出模型精度更接近博士研究。
新组阶段的协作与自驱要求
小型新组通常没有大量高年级学生替新人整理工具链和研究模板，博士生更可能直接与导师讨论问题，并参与代码规范、实验基线和组内交流方式的建立。因此，申请材料可以主动说明自己怎样阅读陌生论文、如何复现结果、如何记录实验以及遇到推导障碍时怎样寻求反馈。这里考察的不是“能不能独自完成一切”，而是能否把不确定问题推进到可讨论、可检查的状态。
面试中的数学与研究表达准备
面试准备可以围绕一项最熟悉的理论项目展开：先用几句话定义问题和假设，再解释核心困难、关键推导以及实验为什么这样设计。对于优化、概率和信息论背景，最好能在没有幻灯片的情况下说明一个重要公式的直觉，同时也能回答假设放松后会发生什么。若代码是研究的一部分，还应准备解释数值稳定性、随机性控制、基线选择和复现实验，而不是只展示最终图表。
如何从导师近期工作选择申请切口
导师的公开研究同时出现信息论、机器学习会议和更偏数学的计算问题，申请者不需要把这些方向平均分配在一份材料里。更合理的方法是先找出自己真正掌握的一套工具，例如概率建模、优化证明或张量计算，再挑一个与导师近期问题重叠的对象。Research Proposal 中只要能把“已有方法的限制—准备分析的假设—可能使用的数学工具—怎样做数值验证”连成闭环，就已经比罗列很多热门术语更能体现博士阶段的可训练性。这个选择过程也能帮助申请者判断自己是否真的喜欢长期做理论问题，而不只是因为方向名称看起来前沿。
