博士奖学金：稳健贝叶斯实验设计与推断

项目概览

University of Birmingham数学学院的统计／数据科学博士研究稳健贝叶斯实验设计与推断，联系人Dr Sabina Sloman（s.sloman@bham.ac.uk）。2026年9月4日发布、12月4日截止；现有信息对应2026年10月，当前名额、截止钟点／时区及入学日期待确认。

科学问题与博士工作

贝叶斯方法可决定收集什么数据、从稀疏噪声数据推断并量化不确定性，但模型、先验、似然或采样分布的假设往往难以验证。博士将研究核心假设违反后的行为，及／或开发缓解后果的方法，重点应用于心理学、认知科学和计算机科学。信息收益高不等于推断正确，理论界限或模拟结果也不等于所有应用都校准。

潜在贡献包括稳健性分析、采样规则、仿真评价或概率迁移学习；这些是选题可能，不是必须全部完成的工作包。具体数据集、应用合作者、软件及第一年目标未列。招聘欢迎已有贝叶斯方法、概率机器学习或反问题背景，或证明能够学习这些内容者，没有把三项全设为先修门槛。

学校、导师与训练

Statistics PhD通常全日制三年，含独立研究、一对一指导、文献与数据分析、研讨会和跨学科活动。Statistics and Data Science组的统计决策、不确定性量化与机器学习构成方法环境；Turing等联系不保证个人资源。学校一般学历期待涉及数学相关背景及UK upper-second或first-class MSci等效，具体海外学历和英语分数／豁免仍需学院确认。

Sloman在2023—2026年于Manchester Centre for AI Fundamentals做博士后，2026年加入伯明翰，研究与题目紧密相符；第二导师、当前博士团队和日常会议安排未知。三项原创分别是2026 AISTATS的R-IDeA采样规则、2025 UAI的PROMPT代理信息迁移学习、2024 UAI的干扰参数负干扰与有限预算取舍。第四篇Knowing what to know讨论先验错误与自适应设计。具体全文读段、补充材料及逐人贡献未确立，不能当作完整通读。

资助、预算与申请

广告列本地学费、培训支持及标准津贴，3—3.5年，标签为UK Students、Self-funded Students，并欢迎全球自费生。国际生是否可竞争资助、海外学费差额是否减免或覆盖均未知，不能称国际全奖。UKRI 2026–27最低津贴GBP 21,805和学费GBP 5,238只是参照，并非个人award或工资。

学校42周成本示例为私房GBP 7,308或自炊住宿GBP 8,820，另有年度可变GBP 4,620及押金；需补全年52周租期、签证医保旅行和国际学费，不能直接计算结余。住宿保证取决于期限和资格。长期全日制通常涉及Student Route与CAS，ATAS／TB依个人和课程分类确认。

通用申请指引涉及证书、推荐材料、英语证明及可能的计划／陈述，具体项目入口编号、清单、计划长度与面试未确立。申请前先向Sloman核实资助路径和项目要求。概率统计、可复现编程、研究报告和跨学科表达是准备证据，Python／R／Julia不是广告规定语言。统计、计算科研、量化风险和学术路线具有可迁移性；宏观岗位与37%博士教育需求信号不保证本组就业、个人薪资或留英资格。

博士项目研究报告：稳健贝叶斯实验设计与推断

申请判断

方法契合度较强，国际申请者的资助路径仍待确认。

现有招聘及相关信息对应2026年10月；广告于2026年9月4日发布，12月4日截止，当前名额、截止钟点／时区和入学日期未确立。

这是一个方法论质量很高的博士机会，适合对贝叶斯推断、稳健实验设计、概率机器学习、反问题和不确定性量化感兴趣的申请者。最关键的正面信号，是项目与 Dr Sabina Sloman 的研究轨迹高度吻合：伯明翰官方个人页把她的研究兴趣列为 Bayesian inference、model misspecification、experimental design、transfer learning、statistical learning theory 和 uncertainty quantification，并列出相关博士指导方向，包括 Bayesian experimental design、Bayesian transfer learning、Bayesian inverse problems 和科学应用等相关主题(导师页面)。

学校和项目环境也不错。伯明翰大学的 Statistics PhD 页面 把该项目描述为研究强度很高、以统计理论和数据科学为基础的博士训练，研究主题包括 computational statistics、inverse problems 和 high-dimensional statistics。QS 学校档案 显示伯明翰在 QS 2027 全球排名中为第 68 位，学校自己的 league tables 页面 也给出相同的全球排名，并指出这让它在该榜单中位列英国第 10。

这个项目对中国申请者的最大不确定性，是资助适用范围。公开信息写明，这个 scholarship 覆盖 home tuition fees、training support 和 standard-rate 生活津贴，持续 3 到 3.5 年，同时也欢迎 self-funded students worldwide。对中国申请者而言，保守的理解应该是：可以通过自费路径申请，但是否能获得资助、是否覆盖海外学费差额、是否存在 fee-waiver 政策，都要在正式投递前和导师或学院确认。

研究方向与领域前景

可能的研究角度

从证据出发，可以想到的研究方向包括：

• 分析模型 misspecification、prior misspecification、covariate shift 或 nuisance uncertainty 下，贝叶斯实验设计何时失效。
• 构建能在 informativeness、representativeness、nuisance estimation 与 robustness 之间权衡的 acquisition function。
• 设计仿真基准，比较标准 expected-information-gain 设计与稳健设计在假设受损情形下的表现。
• 将概率迁移学习扩展到 source 或 target 分布并不完全可观测的场景。
• 在心理学、认知科学或计算机科学应用中做案例研究，这些场景通常数据稀疏、噪声大、代价高且是顺序采样。

申请材料应锁定一个稳健性问题、一个建模场景和一个评价策略。以上是潜在论文方向，不是广告规定的完整工作包。核心区分是：假定模型下的信息收益，与模型错误时结论是否可靠并不相同；理论界限或仿真结果不自动证明所有应用中的校准和实际价值。

领域前景

贝叶斯实验设计之所以还活跃，是因为它提供了一种在不确定性下决定“下一步该测什么”的原则化方法。但它也有明显的计算和建模挑战。近期的 Statistical Science 综述 直接把 Bayesian experimental design 描述为强大而一般，同时强调了计算难点和近期方法进展。

这项博士的真正价值，在于它瞄准了贝叶斯方法的一个现实弱点：很多理论结论都依赖模型、先验、似然、数据生成过程、nuisance variables 或采样分布等假设。而在科学应用中，这些假设往往难以验证。导师近期的工作给项目提供了明确起点，而更广泛的文献也表明，稳健贝叶斯反问题、传感器布设和 expected-information-gradient 估计等方向都在快速发展。

职业与市场前景

项目和市场的可迁移性都不错。Statistics PhD 页面列出毕业后可能的岗位包括 data scientist、computational scientist、quantitative risk analyst、statistician、researcher 和 lecturer 等；英国政府的 AI vacancy analysis 也显示，AI 专家岗位里大量要求 Python、data science、machine learning 和博士级教育背景。Future of Jobs 2025 也把 Big Data Specialist 和 AI/Machine Learning Specialist 列为增长最快的职业之一。

不过，市场是有周期性的。英国政府的 AI 岗位分析也指出，部分 AI 类岗位在 2022 年峰值后有所回落。因此，这个博士的长期价值不在“AI”这个标签，而在统计严谨性、概率建模、不确定性量化、实验设计、模拟和跨学科表达能力的组合。

学校、学科与培养

伯明翰是一所典型的主流研究型大学，而不是小型专门研究机构。Statistics PhD 页面说明，这个博士通常为 full-time 三年制，以独立研究、导师指导、技能训练、文献综述、数据分析和可能的论文产出为核心。这对稳健贝叶斯实验设计这样的题目非常重要，因为它不是“看文献”就够了的方向，而需要统计理论、计算实验和跨学科应用都能支撑。

School of Mathematics 的博士页面说明，该学院欢迎数学研究生，通常期待申请者具备数学相关本科背景，达到 UK upper-second 或 first-class MSci 等效水平。对英国以外申请者而言，这通常意味着数学、概率、统计、优化或机器学习方面的硬背景，会比泛泛的 AI 兴趣更重要。

Statistics and Data Science group 也很相关。该组强调统计学、应用数学、计算科学和相关方法，并列出 machine learning、statistical decision theory、uncertainty quantification 等主题，还提到与 Alan Turing Institute 和 Institute for Interdisciplinary Data Science and AI 的联系。这些都说明，这个项目不是孤立的理论题，而是能落在更宽的数据科学生态里。

排名证据可以提供辅助判断，但不应过度解读。QS 和伯明翰本校都把学校放在全球第 68 位左右；REF 2021 也显示该校在 Mathematical Sciences 和 Computer Science 等单元上有较强表现。这些都不是导师匹配的替代品，但至少说明环境风险并不高。

导师与实验室判断

导师研究方向

Dr Sabina Sloman 是这项研究与项目最强的一致性信号。她的官方页面把她的研究概括为 Bayesian inference、scientific inference、model misspecification、experimental design、transfer learning、statistical learning theory 和 uncertainty quantification；页面还明确说明，她在博士阶段的研究就聚焦于 Bayesian experimental design 对 misspecification 的稳健性，而且她在 2026 年加入伯明翰之前，曾在 Manchester Centre for AI Fundamentals 做博士后研究。

这是一种非常清晰的导师-课题契合：项目标题并不只是“接近”她的兴趣，而是正好位于她博士论文主题、当前监督方向和近期论文的交叉点。唯一需要注意的是，她是相对新的入职教师，因此申请者应该问清楚当前博士 cohort、第二导师安排和可用合作资源。

近期重要论文

下列前三篇分别贡献采样设计、迁移学习及干扰参数推断方面的原创结果；结果不保证在假设以外或任何应用数据上都稳健。既有资料未确立具体正文读段、补充材料阅读及逐人分工，不能由这些介绍推定全文及补充材料均已读。

在 Representative, Informative, and De-Amplifying: Requirements for Robust Bayesian Active Learning under Model Misspecification 中，Tang、Sloman 和 Kaski 分析了模型 misspecification 下的泛化误差，并提出 R-IDeA 这个 acquisition function，把 representativeness、informativeness 和 de-amplification 结合起来。这与“稳健贝叶斯实验设计”的题目完全对应，因为它讨论的是：当仅追求信息量时，采样策略是否会放大误差。

Proxy-informed Bayesian transfer learning with unknown sources 中，Sloman、Martinelli与Kaski提出PROMPT，在来源差异未知而有代理信息时处理概率迁移学习，支持 distribution shift 与 negative transfer 方向，尤其适合概率机器学习分支。

Bayesian Active Learning in the Presence of Nuisance Parameters 说明干扰参数可造成负干扰，使有限预算下学习目标量与干扰量出现取舍；这里的负干扰不应直接等同迁移学习中的负迁移。它为不完整假设下的推断提供另一种问题形式。

Knowing what to know 则把 prior misinformation 和自适应设计优化联系起来，尤其适合心理学与认知科学应用场景，因为这些场景里先验和模型类别往往本来就不完美。

实验室、资源与合作环境

这个项目的研究环境更像一个统计/数据科学组，而不是湿实验室或大型工程实验室。伯明翰的 Statistics and Data Science group 强调不确定性量化、统计决策理论和机器学习；Statistics PhD 页面也说明，项目会通过研讨会、联合研究和跨学科协作，连接生物医学、心理学和计算机科学等方向。

这对于需要理论、模拟和跨学科应用的课题是合适的。但公开材料并没有确认明确的应用型共同导师、数据集、实验平台或软件栈。这个缺口不致命，但申请前最好问清楚。

资助、申请与生活成本

公开信息写明，这个 scholarship 包含 home tuition fees、training support 和标准生活津贴，持续 3 到 3.5 年；同时也欢迎 self-funded students worldwide。 UKRI 的训练资助指导 列2026–27年最低津贴GBP 21,805和学费水平GBP 5,238，可作本地资助参照，不能当成本项目已确认金额或雇佣工资。这些信息描述的是本地资助口径，但并不能自动证明国际申请者会获得海外学费覆盖。

对中国申请者来说，最重要的财务问题很直接：能否竞争 funded studentship；如果可以，海外学费差额是否由学院/导师承担或减免；如果不可以，就应把它视为自费选项。这个区别必须在写正式申请前确认。

学校的 living costs 页面 列42周学年私房基本开支GBP 7,308、自炊住宿GBP 8,820，另列年度可变开支GBP 4,620及押金等一次性费用。42周示例不是52周博士全年预算；需补算其余租期、签证医保、搬迁旅行和家庭情况，再与已确认津贴及学费比较，不能据此承诺结余。visa guidance 说明超过6个月全日制通常需Student Route、CAS及资金证明，ATAS、TB和翻译按个人适用；Statistics PhD提示ATAS，具体分类仍待确认。

学校通用申请指引涉及学历证书、推荐材料和英语证明，研究计划或个人陈述随路径可能需要，不能当成本广告已确认清单。个人学历等效、英语分数／豁免、项目编号、材料格式及面试要求仍需确认；住宿保证须满足对应期限和资格，不等于个人已有房间。通常三年课程与3—3.5年资助须按实际入学和完成期限核对。

申请者匹配度

更适合谁

这个项目最适合数学、统计学、数据科学、机器学习、计算科学、反问题、定量心理学或认知建模背景的申请者。强申请者应该能够在不依赖泛泛 AI 叙述的前提下，讨论 Bayesian inference、probabilistic models、uncertainty quantification、simulation 和 experimental design。

如果申请者来自心理学或认知科学，只要有扎实的定量训练，并能解释为什么稳健贝叶斯设计对人类行为实验重要，也可以很有竞争力。计算机背景的申请者也可以，但需要展示统计推断和概率建模深度，而不只是神经网络工程能力。数学或统计背景的申请者则应表现出愿意与应用科学家合作、并向纯理论之外的受众沟通的能力。

需要谨慎的情况

这个项目可能不适合只想做软件工程、黑盒深度学习，或纯经验型应用科学项目的人。它也不适合尚未系统学习概率、统计、优化或机器学习的申请者。项目可能会很有收获，但绝不轻量；核心难点是理解方法在假设失效时会怎样，然后再想办法让推断更稳健。

可强化的技能与证据

最有价值的申请证据包括：

• 概率、数学统计、贝叶斯推断、优化、机器学习、数值方法或反问题相关课程与成绩。
• 任何涉及仿真、概率建模、实验设计或不确定性量化的论文、预印本、研究项目或代码仓库。
• Python、R 或 Julia 的编程能力，最好附带可复现实验，而不只是 notebook。
• 一段具体研究陈述，只讲一个精确问题，比如先验 misspecification 如何影响 active design、nuisance parameters 如何在有限预算下学习、或稳健 acquisition function 应该怎样评价。
• 跨学科写作或合作经历，尤其是与心理学、认知科学或计算机科学相关的经历。

风险与待确认问题

高优先级问题

1. 中国或其他非英国申请者能否竞争这个 funded studentship？
2. 如果国际申请者可以获得资助，海外学费差额会被豁免、由学院覆盖，还是需要学生自付？
3. 申请是否要通过 Statistics PhD 入口，并填写某个项目编号、标题或导师名？
4. 这个广告项目是否需要研究计划？如果需要，长度和技术深度应当如何把握？
5. 第一年的软件栈、概率编程工具、仿真框架或数据集是什么？

中优先级问题

1. 是否会有心理学、认知科学或计算机科学方向的第二导师或合作导师？
2. 项目更偏理论、算法设计、仿真，还是某个真实应用数据集？
3. 面试时会如何评估贝叶斯方法或概率机器学习准备情况？
4. 针对会议、工作坊、计算资源和跨学科协作，能提供哪些训练支持？
5. 国际申请者是否明确需要 ATAS？如果需要，最晚应何时启动？

证据与来源

• 项目与学院环境：Statistics PhD、Mathematics PhD opportunities、Statistics and Data Science group。
• 导师与论文：Dr Sabina Sloman profile、Birmingham research portal、personal publications page。
• 近期相关论文：AISTATS 2026 robust Bayesian active learning、UAI 2025 proxy-informed Bayesian transfer learning、UAI 2024 nuisance parameters、Knowing what to know。
• 领域前沿：Modern Bayesian Experimental Design、robust Bayesian inverse-design paper、Birmingham-authored EIG-gradient paper。
• 排名与研究环境：Birmingham league tables、QS Birmingham profile、REF 2021 results。
• 资助、申请与生活成本：UKRI 生活津贴 guidance、Birmingham living costs、Birmingham visa guidance、international accommodation、advertised PhD guidance。
• 职业市场背景：UK AI vacancy analysis、Future of Jobs 2025、Royal Society data-science skills。