StatML CDT 中与 Meta 合作的全奖博士项目

项目概览

这是一个与 Meta 合作的全奖博士项目，隶属于帝国理工学院的 StatML CDT，计划于 2026 年 9 月 28 日开始。

项目聚焦于如何用更严格的统计方法评估和改进现代 AI 系统，尤其面向网络安全相关场景。

研究将与 Meta 和帝国理工的研究人员紧密合作，兼顾方法创新与实际问题。

公开信息显示，表达兴趣的截止时间为 2026 年 9 月 11 日中午 12:00（英国时间）。

项目详情

项目的核心问题，是为现代 AI 系统建立更有统计基础的评估与改进方法。公开说明强调，这项研究并不只是做算法性能比较，而是要面对大规模 AI 与数据系统中真实存在的方法学挑战，尤其关注网络安全应用中的检测、评估与解释问题。入选者将与 Meta 以及帝国理工的研究人员协同推进工作，在方法设计和应用落地之间保持双重导向。

项目给出的方向示例包括两条可能路径。其一是提示注入检测，以及针对大语言模型评估结果的统计显著性分析；其二是面向具有节点属性的大规模分布式系统，在访问图中进行角色挖掘。无论采用哪条路径，研究重点都围绕鲁棒评估、异常检测、表示学习，以及面向复杂现代基础设施的可解释、统计上站得住脚的方法。换句话说，这不是单纯追求精度提升的项目，而是强调方法是否足够稳健、是否能在复杂场景里解释清楚、是否能为高影响力的真实问题提供可复用工具。

该项目还明确提到，这是在 StatML 相关培养框架下出现的一个特定机会。虽然 StatML 的常规博士学生名额目前已关闭，但这一个岗位仍接受符合条件的申请者。申请流程分两步：先发送表达兴趣邮件，附上简历和学位成绩单；只有进入短名单的候选人才会被邀请提交正式完整申请，包括个人陈述和学术推荐信。公开信息同时说明，后续正式申请还会按 CDT 的常规流程继续审核，因此前期材料需要尽可能清晰地体现申请者的统计、机器学习或数据系统背景，以及对安全或复杂 AI 系统问题的兴趣。

申请要点

• 项目性质：与 Meta 合作的全奖博士项目，属于 StatML CDT。

• 开始时间：2026 年 9 月 28 日。

• 研究方向：统计评估、机器学习、网络安全、异常检测、表示学习、可解释方法、AI 系统评估。

• 申请材料：表达兴趣邮件、简历、学位成绩单；如进入短名单，还需正式申请、个人陈述和学术推荐信。

• 截止时间：表达兴趣截止为 2026 年 9 月 11 日中午 12:00（英国时间）。

• 后续安排：面试预计在 2026 年 9 月 14 日当周进行。

• 联系方式：statml.io.admissions@imperial.ac.uk。

• 说明：公开信息未写明具体奖学金金额、合同细则或是否覆盖全部学费以外支出。

需要进一步确认

• 公开信息未明确最终录取后是否要求进入 StatML 的常规招生流程中的哪一环，需以后续正式通知为准。

• 目前仅给出两个可能研究方向示例，具体题目会在后续协商中确定。

• 资助金额、生活津贴标准、额外补助及合同细节未见明确说明。

博士项目研究报告：由 Meta 资助的 StatML CDT 博士项目

执行结论

推荐标签：非常有吸引力。

这是一个面向统计机器学习深度申请者的高价值资助博士项目，尤其适合对网络安全、AI 评估、异常检测、表示学习和可解释方法感兴趣的人。官方项目 PDF 把它放在 Imperial College London 的 Mathematics Department，资助方是 Meta，开始时间为 2026 年 9 月 28 日，由 Professor Nick Heard、Dr Francesco Sanna Passino 和 Professor Ed Cohen 共同负责，并且允许 Home 和 Overseas 申请者参与。来源见 官方项目 PDF。

这个项目的吸引力在于，它不是泛泛的 AI 应用题，而是明确提出了几个统计问题：如何在现代 AI 与安全基础设施中做稳健评估、如何面对对抗性适应、如何做异常检测、如何做可解释建模。主要的提醒点也很清楚：申请时间很紧、公开材料没有写出海外学生的精确 stipend 数额，而且公共来源没有说明 Meta 侧导师和 publication / IP 约束。

学校、项目与地点信号

Imperial 的整体信号极强。学校的 league tables 页面 显示，QS World University Rankings 2027 中 Imperial 全球第 2、英国和欧洲第 1，Times Higher Education 2026 全球第 8，QS Mathematics 2026 第 8。排名当然不是唯一指标，但对这个项目而言，它与一个强数学/统计环境是匹配的。

StatML 本身也很强。其 programme overview 说明，这是 Imperial 与 Oxford 共同提供的 4 年制 cohort 博士训练，培训内容包括统计理论、统计机器学习、因果推断、贝叶斯方法、计算、软件工程、责任创新、industry data dives、internships、conference 和学术访问。research 页面 列出的研究方向则包括 computational statistics、machine learning、time series、networks、changepoint detection 和 biomedical / health data 等。

Imperial 的 Mathematics research groups 页面 也说明，Statistics 和 Machine Learning Initiative 是学院内明确存在的研究组。对这个项目来说，这意味着行政归属和研究主题相当一致。

导师与实验室判断

官方 PDF 里的三位 Imperial lead 是 Nick Heard、Francesco Sanna Passino 和 Ed Cohen，这个组合是合理而完整的。Heard 的主页 Nick Heard homepage 显示，他的研究兴趣包括动态网络图的统计建模、changepoint analysis、anomaly detection 和 enterprise cyber-security；Sanna Passino 的 profile 则明确覆盖 cyber-security、dynamic / multiplex networks、temporal point processes、time series、textual data 以及 LLM / generative AI 的统计挑战；Cohen 的 Imperial profile 则显示他研究 point processes、time series、changepoint detection 和 computational statistics，同时也是 StatML CDT 的联合主任。

这组导师和题目的匹配度很高。项目并不是给一个泛泛的“AI”标签，而是在统计方法、对抗环境和复杂系统数据上做文章。它最大的潜在风险不是学术方向，而是工业合作层面的公开信息不足：Meta 侧导师是谁、会不会接触 proprietary data、publication review 怎么走、IP 和 confidentiality 条件是什么，这些都还没有公开。

近期重要论文

近期论文证据直接而且相关。

2025 年 Annals of Applied Statistics 的 Nested Dirichlet models for unsupervised attack pattern detection in honeypot data 提出可解释的 Bayesian topic models，用于网络攻击会话中的聚类和异常检测，这对于把 prompt injection trace 或安全事件序列当作统计对象非常有启发。

Changepoint Detection on a Graph of Time Series 则说明 Heard 的图结构变点检测工作与项目的访问图 / 异常检测路线非常接近。

2026 年的 Simultaneous global and local clustering in multiplex networks with covariate information 把 Bayesian multiplex stochastic blockmodel 与协变量结合起来，这与 access graph 的 role mining 场景尤其对应。

Heard 主页上的其他输出，如 p-values 的标准化部分和动态网络的 mutual exciting point-process 研究，也说明这个团队对复杂统计建模和网络结构数据有持续积累。

实验室、资源与合作环境

这个环境由三层构成：Imperial Mathematics / Statistics、StatML CDT、以及 Meta 合作。StatML 的 programme 页面 说明它有 cohort 培训、mini-projects、先进方法训练、computing / software engineering、data dives、internships 和 academic visits；partnerships 页面 也说明，产业侧会通过 funded studentships、internships、teaching、hackathons 和合作活动进入项目。

真正未解决的是工业层细节。公开材料没有说清楚 Meta 侧导师是谁、是否会接触专有数据、是否有固定的 placement、以及 publication / IP 的处理方式。对想把项目当作确定选择的申请者而言，这些都是必须补问的。

研究方向与领域前景

领域前景

这个项目其实对应两个都很活跃的方向：一是 prompt injection detection 与 LLM evaluation 的统计问题，二是 access graph 里的 role mining。OWASP 的 LLM Top 10 项目 把 prompt injection 视为核心风险之一，MITRE 的 ATLAS 也把 LLM / agentic AI 的攻击手段系统化。

LLM 评估那一侧同样活跃。NIST 的 AI evaluation report 明确指出，基准结果需要统计建模来区分固定数据集上的精度和真实泛化精度，并量化不确定性。近年的 ICLR 和 NeurIPS 论文也表明，LLM 评估中的不确定性已经是一个热门议题。

可能的研究角度

一个强申请者可以把这个项目讲成以下任一条清晰路线：

• 在小样本、偏置或自适应测试集下，对 prompt-injection detector 做统计上有效的评估。
• 在分布外攻击下，做带不确定性的 LLM / classifier evaluation。
• 结合属性、时间行为和误报约束，在 access graph 里做 graph-based role discovery。
• 构建可解释的异常检测模型，输出人能看懂的安全叙事。
• 在对抗漂移条件下，建立比较 detector 的 Bayesian 或 frequentist significance procedure。

近期的 prompt injection 检测研究已经说明，模型和 benchmark 的选择会影响测得的检测质量，而部署权衡会改变什么叫“好”。这也意味着，这个项目如果做得好，价值不只是写一个更强的检测器，而是建立更可信的评估框架。

职业与市场前景

职业面很广：统计 ML 研究、AI 评估、安全数据科学、应用研究科学家、未来学术岗位都接得上。英国的 cyber security sectoral analysis 2026 估计，英国网络安全产业仍在增长；cyber security skills report 也指出，AI 技能需求上升，但初级岗位减少、经验门槛抬高。

因此，这个博士最有用的不是把自己包装成“做 prompt engineering”，而是成为一个兼具统计严谨性和安全/AI 评估能力的研究者。

资助、申请与生活成本

官方 PDF 说明，这个项目是 Meta 资助的全奖 4 年博士，给出 UKRI rate stipend、London weighting 和 research training support grant；同时项目对 Home 与 Overseas 都开放。StatML 的 admissions and funding 页面 说明，StatML 的常规 funding 包括 tuition fees、minimum stipend（UKRI rate 加 GBP 2,000）、Imperial 与 Oxford 间交通、以及 GBP 12,500 RTSG，不过这个具体项目的 Home / Overseas 资助结构仍应以官方 PDF 为准。

对中国申请者来说，关键优点是它公开允许 Overseas 申请者进入；但需要继续核实的，是海外学生的精确 stipend、是否有额外 top-up、以及学费覆盖是否与 fee status 绑定。

伦敦生活成本必须提前看清。Imperial 的 living costs 页面 估计伦敦学生每月大约需要 GBP 1,806–1,837，不含学费和部分启动项；GOV.UK 学生签证资金要求 则给出伦敦每月 GBP 1,529 的最低资金证明标准。

申请者匹配度

最适合谁

最适合的是统计学、数学、计算机科学、机器学习、数据科学或相近方向的硕士级申请者。官方 PDF 要求至少 first-class 或 strong upper-second master’s degree or equivalent，并期待统计机器学习、概率、统计和不确定性量化的基础，以及 Python/API 编程、沟通与协作能力。

如果你有与 Bayesian modelling、uncertainty quantification、LLM evaluation、anomaly detection、graph/network learning 或 cybersecurity telemetry 相关的论文、项目、实习或开源代码，会很加分。

需要谨慎的情况

如果只有本科水平，概率统计基础薄弱，或者 AI 经验主要停留在应用层 prompt 上，这个项目会比较吃力。它使用 LLM 的可能性很高，但重心仍然是统计方法和在困难评估条件下做方法学研究。

可强化的技能与证据

最有效的准备方式是做一个很短但技术含量高的 EOI 材料包：CV、成绩单和一页技术定位说明。说明里不要只写“对 AI 感兴趣”，而要明确连接到一条研究路线，比如 prompt-injection / evaluation statistics，或者 access-graph role mining，并写出你会用的具体方法，比如 uncertainty quantification、statistical tests、Bayesian modelling、graph embeddings、stochastic blockmodels、changepoint detection、anomaly detection、representation learning 以及 false-positive / false-negative trade-offs。

中国申请者还应尽早准备英文成绩单和学位证明，因为从筛选到正式申请的时间窗口很短。

风险与待确认问题

高优先级问题

• 这个 Meta 资助的学生岗位，对 Overseas 学生的 stipend、学费和 RTSG 具体怎么配？
• TechFirst 或其他 top-up 是否只给 Home-fee 学生，还是 Overseas 也有？
• Meta 侧导师是谁？学生会多久和他们会面？
• 会使用专有数据、公开 benchmark、合成数据，还是混合方式？
• 论文发表、IP、保密和数据访问的约束是什么？
• 这项工作更可能从 prompt injection / evaluation statistics 进入，还是从 access-graph role mining 进入？

中优先级问题

• 这个工业项目会如何与 StatML 第一年的 mini-project 结构衔接？
• 是否会在 Meta 有预期的 placement 或 internship？
• 理论、实现和实证 benchmark 工作的比例如何？
• 面试中最可能考察哪些技术能力？
• 中国发行的文件在短名单后需要哪些翻译或认证？

证据与来源

主要项目与课程

• 官方项目 PDF
• 专业组织公告链接到官方 PDF
• StatML admissions
• StatML programme
• StatML research
• StatML partnerships

学校与学院

• Imperial league tables
• Imperial Department of Mathematics research groups
• Imperial statistics research theme
• Imperial legal address

导师与论文

• Nick Heard homepage
• Francesco Sanna Passino profile
• Ed Cohen profile
• Nested Dirichlet honeypot paper record
• Graph changepoint paper
• Multiplex clustering paper

领域、市场与成本

• OWASP LLM application security project
• MITRE ATLAS
• NIST AI evaluation report
• Springer prompt-injection detection study
• PMLR LLM detection-rules paper
• ICLR uncertainty in LLM evaluations
• NeurIPS LLM uncertainty benchmark
• UK cyber security sectoral analysis
• UK cyber security skills report
• Imperial living costs
• GOV.UK Student visa money