单名额奖学金的资助结构
宁波诺丁汉大学正在公布一个Graph Machine Learning方向的博士奖学金，参考号26TM_DZ。这个位置最明确的窗口事实是：名额只有1个，计划2027年2月15日入学，申请截止到2026年10月31日中国标准时间。奖学金覆盖学费，并提供每月RMB4,500津贴，最长36个月，续领以满意的学业进展为条件。
“全奖”在这里有具体边界：页面列出的覆盖项目是学费和月津贴，期限最多36个月。学校的全日制PhD结构则是3年研究期，加1年论文待审期，最迟预计在首次注册后4年内提交论文。因此，如果研究进入第4年，申请者需要提前确认论文待审阶段的费用和生活安排，而不能把36个月奖学金简单等同于整个博士周期所有开销都已覆盖。
学校还说明，成功候选人从博士第二年起，在完成Graduate Teaching Assistant培训后，有机会承担教学或研究助理工作。这可以提供训练或额外工作机会，但页面没有把它写成保证的固定补贴，因此不宜提前计入基本预算。
导师配置与新团队阶段
项目的研究团队由Dr Daokun Zhang和Prof Anthony Graham Bellotti共同指导。Daokun Zhang是宁波诺丁汉大学计算机科学助理教授。奖学金页面把研究范围列为Graph Machine Learning和Graph Neural Networks，对应项目文件进一步给出异配图上的隐式图神经网络与自适应传播问题。
这种双导师配置的实际价值在于，申请前就能判断研究问题、方法训练和监督资源是否形成闭环。申请者不需要为了“显得匹配”把导师论文标题逐条复述，而应说明自己在图数据、机器学习、优化或模型实验中的哪部分经验可以直接迁移，以及还缺哪一块训练。
只有1个名额时，材料的辨识度很重要。与其写一页泛泛的人工智能兴趣，不如选择一个自己真正做过的图学习或关系数据问题，解释数据有什么结构困难、基线怎么选、评价指标为什么合理、失败实验暴露了什么。能讨论模型为什么在某类图上失效，比只展示更高的准确率更接近博士研究。
博士培养周期与项目边界
全日制PhD的3年研究期意味着前期需要较快完成问题收敛、文献定位和实验管线。对图机器学习课题而言，数据集选择、异配程度、传播机制、训练稳定性和计算成本都可能影响结论。一个可执行的博士计划应当把这些变量分层，而不是把“提出一个新GNN”当作唯一目标。
学校说明博士最迟预计在首次注册后4年内提交论文。这个时间框架要求研究计划有阶段性产出：先建立可靠基线和评估协议，再验证核心机制，之后才扩展到更多数据或方法。若第一年把大量时间花在追逐不断变化的模型热点，却没有稳定的实验问题，后续三年很容易变成重复调参。
奖学金入学时间是2027年2月15日，也意味着申请者需要把毕业、语言成绩和学历材料的时间倒排。页面对奖学金申请写得很明确：不需要另交一套奖学金申请，但在PhD申请系统中必须选择正确的奖学金参考号。这个细节很小，却直接关系到申请是否被放进对应的资助机会里。
申请材料需要证明的能力
CV可以把与图结构数据直接相关的经历放在前面：图表示学习、推荐系统、网络分析、半监督学习、优化、时空关系数据，或者任何需要处理节点与关系共同信息的项目。每项经历最好写数据规模、你的具体职责、基线、实验控制和结果，而不是只列PyTorch Geometric、DGL等工具名。
Research Proposal要体现你知道异配图为什么困难，以及模型传播可能怎样放大错误邻居信息。即使最后提出的方法与导师项目不同，也应把问题定义、假设、验证方案和风险控制写清楚。代码能力则要能支持可复现实验：数据处理、随机种子、超参数记录、消融实验和计算资源说明，都是比“会Python”更可信的证据。
只有1个名额时，推荐信也应尽量提供研究能力的具体例子，例如独立推进问题、发现实验漏洞、解释反常结果、改进复现实验，而不仅是课程分数。面试准备可以预先整理两类问题：一类是你过去项目中最关键的技术选择，另一类是新课题中最可能失败的假设及替代方案。若已有开源代码或可复现实验，最好整理成结构清楚的仓库，让评审能看到数据处理、训练配置和结果记录，而不是只看到最终图表。申请者最终要证明的是：自己不仅能跑一个图神经网络模型，而是能在36个月资助周期内把一个不确定的研究问题推进成有证据、有边界、可以写成博士论文的工作。
