申博时谈“背景匹配”，我们很容易把它理解成学校排名、专业名称、论文数量之间的比较。这些当然有参考价值，但如果真正走到选导师那一步，我更想看一件事：你过去做研究时，习惯提出的问题，与老师正在努力回答的问题，有多少交集？
香港大学统计及精算学系的 Jinhong Du 助理教授，是一个特别适合拿来讨论这个问题的例子。他的研究涉及因果推断、可解释机器学习、高维统计和统计基因组学。几个词连在一起，看起来像一组热门技能，其实它们背后有很明确的思维要求：不只要算出结果，还要分辨结果为什么成立、结论能在多大程度上被相信。
我读他公开介绍的 Disentangled Feature Importance（DFI）研究时，被一个看似普通的问题吸引：当两个输入特征高度相关时，我们怎样公平地判断各自对模型预测作出了多大贡献？
拿一个假设的健康数据分析举例。模型同时用了运动频率和日常步数，这两个变量常常一起变化。某个解释方法给“运动频率”打出很低的重要性分数，不一定代表它真的没用；也可能因为与“步数”共享了许多信息，模型解释把贡献分错了地方。Du 的这条研究线正是试图处理特征相关造成的归因扭曲，并对估计结果的统计不确定性给出更严谨的表达。
这时候，再看申请者的背景，就能得到比“会不会用 SHAP”更具体的判断。假设有一位偏工程背景的同学，在医疗预测任务中训练过分类模型，熟悉特征选择，也能交出不错的预测指标。这样的经历与机器学习应用有关，但是否贴近这位老师的核心方法研究，还得继续追问：他是否分析过共线性？有没有构造过反事实或对照实验？对置信区间和假设检验是否有基本理解？
反过来，一个统计学背景的同学，可能没有很长的深度学习框架清单，却做过高维回归模拟、研究过混杂变量，并认真比较过不同估计方法在样本量变化时的表现。这样的经历也许更容易和 Du 的部分研究问题形成讨论。当然，实验是否扎实、实际推导能力怎样，仍然要看具体作品，而不能只凭本科专业下判断。
这里还有一个细节，帮助我们避免把教授的研究看得过窄。Du 的官方简介列有关于未观测混杂因素下广义线性模型同时推断的论文，也介绍了网络邻域回归等研究。换句话说，可解释性并不是一个孤立的软件功能，它可以和统计推断、因果结构以及复杂数据中的依赖关系联系起来。
如果帮申请者做初步定位，我通常会把经历拆成三层来读。第一层是使用过什么工具，这只回答“做过什么”；第二层是遇到过什么数据难题，例如变量高度相关、样本稀疏或结论不稳定；第三层才是更有研究意味的问题：你尝试过哪些替代解释，怎样检验模型假设，哪些结论经过对照之后还能站得住？
这三层不是筛掉某一种专业出身的门槛。做工程项目的人完全可能在第二、第三层非常强；统计背景也可能只停在套用现成公式。它们只是把申请材料里被专业标签遮住的能力重新看清楚。
因此，给这位老师写研究兴趣时，我不建议只写“对因果推断和人工智能充满热情”。更可信的写法是讲一个自己已经碰到的相关性难题：原先如何衡量特征贡献，为什么发现解释不稳定，自己尝试过什么检查，读到 DFI 后又提出了什么尚待验证的问题。要标清哪些是已有项目结果，哪些是读论文后产生的新设想。
选导师这件事并不要求申请者已经掌握教授正在研究的全部理论。真正重要的是有能力说出自己的起点，也有诚意承认方法上的空白。把背景匹配理解成一场有边界的比较，比拿几个专业关键词强行对齐，更接近真正的科研沟通。
