面向数据科学的学习型优化

项目概览

本项目聚焦数据科学与机器学习中的核心问题：如何让优化算法从数据中学习，而不是完全依赖固定更新规则。

项目设在 University of Birmingham 的 School of Mathematics，联系导师为 Dr Junqi Tang。

研究主题横跨优化、机器学习和数值方法，适合希望把应用数学与数据科学结合起来的申请者。

项目属于竞争性资助博士项目，面向全球申请者；合适人选建议尽早邮件咨询。

项目详情

优化算法是现代数据科学和机器学习的基础，既支撑 AI 模型训练，也支撑大规模反问题求解。但传统优化方法通常建立在固定更新规则之上，而且往往需要大量人工调参。项目介绍指出，这类方法虽然成熟，却未必能充分适应复杂数据结构和不断变化的任务场景。

本项目将研究 Learning to Optimize（L2O），即利用机器学习自动设计或改进优化算法。研究对象包括 step sizes、momentum、preconditioners、update directions、proximal operators 以及 optimization geometries 等组件。换言之，课题不是只优化某个单一超参数，而是尝试让优化过程中的关键结构本身可以从数据中学习。

项目的一项重点是开发结构化、可解释的 learned optimizers，使其同时兼具机器学习的灵活性与经典优化的可靠性。这个方向强调的不是黑箱式替代，而是希望保留优化理论中可分析、可验证、可比较的性质，同时通过学习机制提升性能和适应性。也就是说，算法的设计目标不仅是“更快”，还包括“更稳”“更容易解释”“更容易推广到新问题”。

在理论方面，课题将研究 learned optimization algorithms 的收敛性、稳定性和泛化能力，关注学习到的更新规则在不同问题上的行为是否可控、是否能保持数值一致性、以及是否能迁移到未见过的数据分布。在应用方面，项目将考察这些方法在机器学习、计算成像、生成模型和统计推断中的实际表现。公开信息没有展开具体实验平台、研究中心或外部合作机构；现阶段可确认的是，相关方法会在这些应用场景中接受验证。可见该课题既有较强的理论数学成分，也有明确的算法实验和应用验证任务。

项目介绍还表明，研究内容与多个应用场景直接相关，包括训练模型、图像重建、生成式建模和推断问题。因此，申请者不仅需要理解优化理论，还要能把理论方法放到真实的数据和任务中检验。页面明确写到，项目适合具有应用数学和统计学背景的人，也适合计算机科学背景但对优化与机器学习有扎实兴趣的申请者。

导师与申请沟通方面，页面明确列出 Dr Junqi Tang 作为联系对象，并要求有意者先发送 CV 和成绩单。公开文本同时建议强候选人先做非正式咨询，再决定是否继续正式申请。由此可见，这不是一个只看标准化材料的项目，而是很重视研究匹配度和定量训练基础。

申请要点

• 适合背景：应用数学、统计学或计算机科学；对优化、机器学习和数据科学有兴趣。

• 推荐能力：优化理论、数值方法、机器学习建模，以及算法实验或统计分析能力。

• 申请材料：CV 和成绩单。

• 联系方式：Dr Junqi Tang；申请者需先邮件咨询。

• 申请节奏：项目全年接受申请，强烈建议尽早联系。

• 资助信息：UK 和 EU 候选人可在与其他博士申请者竞争的情况下申请 college 或 EPSRC scholarship。

• 其他申请者：非 UK/非 EU 的强自筹经费申请者也会被考虑。

• 中国申请者：可关注 CSC 以及 University of Birmingham 相关博士奖学金和中英流动资助路径。

• 录取倾向：页面明确建议强候选人先做非正式咨询。

• 研究关键词：Learning to Optimize、结构化 learned optimizers、收敛性、稳定性、泛化、计算成像、生成模型、统计推断。

需要进一步确认

• 资助是否最终落实、是否包含学费与生活津贴、以及资助年限，公开文本未明确展开。

• 申请是否还需要推荐信、研究计划或语言成绩，页面未单列。

• 公开信息未说明是否依托特定研究中心、实验平台或外部合作机构。

• 中国申请者相关资助路径的具体资格、名额和申请窗口需要另行核实。

PhD 项目研究报告：面向数据科学的学习型优化

申请判断

建议标签：有吸引力，但需要核实匹配度。 对于数学基础扎实、希望深入 learning-to-optimize（L2O）、数据驱动优化、反问题以及可靠机器学习算法的申请者，这是一项相当强的学术机会。最明确的积极信号在于导师与项目方向的高度一致：Dr Junqi Tang 的官方简介明确列出数学优化、机器学习、learning-to-optimise/data-driven optimisation，以及面向计算成像的深度学习，而他在 2024-2026 年的论文记录也与该项目的核心主题高度重合。

主要保留意见不在学术方向本身，而在落地条件。公开证据支持竞争性资助、自筹经费以及中国国家留学基金委（CSC）路径，但并不能证明所有国际申请者都能获得有保障的资助名额。在投入较大申请成本之前，资助覆盖范围、学费身份、CSC 时间窗口、ATAS，以及项目专属资源都应作为优先核实事项。

研究方向与领域判断

可能的研究切入点

结合导师画像，且有证据支持的可能切入点包括：

• 学习 step sizes、preconditioners、momentum、proximal maps 或 geometry，同时尽量保留收敛性或稳定性条件；
• 面向大规模反问题的 operator sketching 或随机近似；
• 采用可解释参数化的 learned mirror descent 或 learned proximal algorithms；
• 在不同问题族之间评估 learned optimizers 的 out-of-distribution 表现；
• 在计算成像、generative modelling 或 statistical inference 的 benchmark 上开展比较，而这些场景中的经典基线本身就很强。

若要形成有说服力的博士工作，通常需要兼顾理论与实验。主要风险在于，最终得到的优化器可能只在狭窄 benchmark 上表现更快。近期关于 L2O generalization 的 PMLR 工作已将泛化能力明确为核心问题（PMLR generalization paper），而一篇关于 scaled learned optimizers 的评估也提醒，隐藏调参与 wall-clock 成本会削弱表面上的性能结论（PMLR learned-optimizer evaluation）。

领域进展

L2O 是一个活跃但门槛不低的研究领域。JMLR 综述 Learning to Optimize: A Primer and A Benchmark 将 L2O 定位为利用机器学习设计优化方法，目标是在减少人工工程化的同时，在与训练分布相近的问题上取得更好表现（JMLR survey）。2025 年另一篇 JMLR 论文讨论数据驱动的性能保证，说明该领域正在向 statistical-learning 和 PAC-Bayes 意义下的 learned optimizers 保证推进（JMLR guarantees paper）。

本项目强调结构化、可解释的 learned optimizers，这一定位是合理的，因为它正面回应了该领域的一个核心弱点：完全黑箱的 learned optimizers 往往难以建立信任、难以迁移，也不易做公平 benchmark。

职业与市场前景

职业市场信号总体积极，但并非自动成立。Birmingham 的 Applied Mathematics PhD 页面列出的潜在去向包括数据或计算科学家、quantitative risk analyst、statistician、academia 和 professional services（Applied Mathematics PhD）。Birmingham 也通过 Doctoral School 和 Careers Network 提供研究生职业支持（postgraduate careers support）。

外部劳动力市场来源同样支持 AI / data-science 技能的现实需求。英国政府的 AI Labour Market Survey 2025 指出 AI 技能短缺与持续演化的技能需求（GOV.UK AI labour market report）；政府发布的 sector overview 也描述了优先行业中的应用 AI 技能需求（GOV.UK sectoral overview）。英国 Government Analysis Function 的 data scientist 角色简介强调应用数学、统计学、数据可视化、可复现编码和决策支持（data scientist role profile）。WEF 的 Future of Jobs skills outlook 也将 AI、大数据、分析性思维和技术素养列为上升中的关键能力（WEF skills outlook）。

因此，这个 PhD 既能支持学术路线，也能支持产业路线，但最终的就业竞争力仍取决于扎实的数学能力、实现质量与严谨 benchmark，而不只是宽泛的 AI 暴露。

学校、学科与培养

授予学位的机构是英国的 University of Birmingham。学校整体信号较强：校方官方榜单页面显示 QS World University Rankings 2027 排名为 68，并在多项主流排名中位列全球前 100（University league tables）；THE 将 Birmingham 列为 2026 World University Rankings 并列第 98 位（THE profile）；QS 机构简介也单独列出 QS 2027 排名 =68（QS profile）。

若聚焦数学学科，REF 信号也很有参考价值。Birmingham 的 REF 2021 页面显示，Mathematical Sciences 的提交成果中有 45% 被评为 4*、55% 被评为 3*，该单元未列出 2*/1*/unclassified 的占比（REF 2021 results）。对于 PhD 研究环境而言，这是较强的研究质量信号。

官方的 Applied Mathematics PhD 页面与本项目直接相关。该页说明，常规博士学制为三年全日制、线下就读，入学通常要求数学相关专业四年制 2:1 荣誉学位或同等经验，研究主题包括优化、数据科学、数值分析和科学计算（Applied Mathematics PhD）。School of Mathematics 的研究页也列出了 Statistics and Data Science 以及 Optimisation and Numerical Analysis 两个研究组（School of Mathematics research）。

综合来看，学校与项目环境的匹配度较高，但具体注册路径仍需确认，因为这一项目很可能位于应用数学、statistics/data science 与计算成像的交叉位置。

导师与研究环境评估

导师研究方向

Dr Junqi Tang 是 Birmingham School of Mathematics 的 Assistant Professor，方向为 Mathematical Optimisation and Data Science。其官方页面说明，他自 2023 年春季起在 Birmingham 任职，此前在 Edinburgh 完成 PhD，并在 Cambridge 从事随机优化与医学成像相关研究（staff profile）。同一页面列出的研究方向包括数学优化、机器学习、learning-to-optimise/data-driven optimisation，以及面向计算成像的深度学习。

学校研究门户进一步说明，Tang 还隶属于 Institute for Interdisciplinary Data Science and AI，并正在招收 PhD 学生（research portal）。Birmingham 的 Institute for Data and AI affiliate 页面也将其列为基础数据科学与 AI 方法方向的成员之一（Data and AI affiliates）。

近期重要论文

Tang 近年的工作与该项目的贴合度非常高，尤其是以下五篇论文：

• Equivariant Test-Time Training with Operator Sketching for Imaging Inverse Problems（2026）提出用于 CT/MRI 反问题的 sketched equivariant imaging regularisation 与高效的 test-time network adaptation（publication record）。
• A Guide to Stochastic Optimisation for Large-Scale Inverse Problems（2025）综述随机优化在大规模反问题中的 variance reduction、acceleration、higher-order methods 及实际表现（UCL Discovery record）。
• Practical Operator Sketching Framework for Accelerating Iterative Data-Driven Solutions in Linear Inverse Problems（2025）提出以 operator sketching 加速 plug-and-play 与 deep unrolling 重建方案（Cambridge repository record）。
• Boosting Data-Driven Mirror Descent with Randomization, Equivariance, and Acceleration（2024）将随机化、等变结构与加速机制引入 learned mirror descent（OpenReview record）。
• Provably Convergent Plug-and-Play Quasi-Newton Methods（2024）在可证明收敛的 plug-and-play 框架中加入 quasi-Newton 加速，并报告其在成像任务中的更快收敛（Birmingham publication record）。

这些论文共同呈现出一条较为一致的研究主线：优化理论、随机加速、结构化 learned algorithms、收敛或恢复保证，以及计算成像。对于一个强调结构化、可解释 learned optimizers 的项目来说，这种契合度是明显优势。

研究环境、资源与合作

公开可见的研究环境信号是积极的，但仍不完整。Birmingham 的 Applied Mathematics PhD 页面提到，学生通常可获得一对一指导、研讨会、工作坊、会议机会，以及视课题性质而定的跨校和产业合作；数学方向的 PGR 社群规模约为 60-80 名 PhD 学生（Applied Mathematics PhD）。Tang 隶属于 Institute for Data and AI，也意味着申请者可能进入一个比 School of Mathematics 更广的研究方法网络。

但以下信息仍未得到公开验证：项目专属算力、是否有明确联合导师、Tang 当前博士生规模、差旅预算，以及是否存在外部产业或成像合作方。

资助、申请与生活成本

资助情况需要重点核实。项目介绍提到，UK/EU 候选人可走竞争性资助路径，非 UK/non-EU 的优秀自筹经费申请者也可能被考虑，中国申请者则有 CSC 路径。Birmingham 官方页面确认，公开的 STEM PhD 可能是 fully funded 或 竞争性资助，同时也允许自筹经费提案（Applied Mathematics PhD）。School 的 Mathematics PhD 信息页说明，申请全年开放，但若要纳入 2026 年 9 月入学奖学金考虑，申请截止时间为 2026 年 1 月 11 日（Mathematics PhD opportunities）。

按 UKRI 风格资助口径，2026/27 学年的博士最低津贴为 GBP 21,805，学费水平为 GBP 5,238（UKRI training grant guidance）。这笔津贴在 Birmingham 具备可行性，但住宿选择会显著影响实际压力。Birmingham 官方生活成本示例显示，不同住宿方式对应的预算差异较大（living costs）；2026/27 学年的研究生住宿价格也从较低成本的合住选项延伸到明显更贵的单间公寓（accommodation fees）。国际学生还必须满足 Student Route 的财务证明要求；Birmingham 的签证页面给出的标准是伦敦以外每月 GBP 1,171，最长九个月，外加第一年学费证明（visa guidance）。

对于中国内地申请者，Birmingham 的 CSC 合作页面是最直接的证据。页面说明，学校为 2026 年秋季提供最多 10 个联合资助 PhD 奖学金，资格与 PRC 护照/居住地、录取条件、英语要求、导师/学院提名以及 CSC 最终决定相关。页面还说明，该奖学金通过 Birmingham 覆盖海外学费和相关 bench fees，并由 CSC 提供生活津贴与返程机票（UoB-CSC scholarship）。同一页面显示 2026 年截止日期已经关闭，因此这只能证明存在中国申请路径，不能证明当前周期仍开放。

申请者匹配度与准备

最适合的人

这个项目最适合应用数学、统计学、computational mathematics、optimization、machine learning，或数学训练扎实的计算机科学背景申请者。较强的准备信号通常包括：convex / non-convex optimisation、stochastic gradient methods、proximal algorithms、mirror descent、numerical linear algebra、probability/statistics，以及 learning theory 相关课程或研究经历。

需要谨慎的情况

如果申请者的背景主要停留在偏仪表盘式的 data science、business analytics，或者以缺少数学深度的黑箱 ML 为主，就需要更加谨慎。这个项目也不适合那些在联系导师前必须先确认资助确定性的申请者，因为公开证据并未证明不同学费身份都能自动获得有保障的资助。

值得补强的技能与证据

有帮助的准备材料包括：

• 成绩单中能体现 optimization、analysis、probability/statistics、numerical methods 和 ML 的扎实训练；
• 一个可复现的编码项目，用于比较不同优化器或反问题求解器；
• 阅读并批判 L2O 论文的能力，尤其是 generalization 与 benchmarking 局限；
• 一份简短的研究匹配说明，能够把既有工作具体连到结构化 learned optimizers，而不是泛泛停留在 AI；
• 按项目要求准备好发给 Dr Tang 的 CV 和成绩单。

对于中国内地申请者，还应额外准备 CSC 资格核查、英语能力证明，以及与未来 Birmingham 提名截止时间相匹配的时间安排。

风险与待核实问题

高优先级问题

1. 这个具体项目在目标入学时间点是否有资助？资助是否覆盖海外学费、生活津贴、bench fees 和研究成本？
2. 学生将注册在哪一条正式的 PhD 路径下？除 CV 和成绩单外，是否还需要研究计划？
3. 完整的导师团队是谁？指导频率如何？
4. 第一年的 benchmark / 研究重点会落在什么问题类型上：计算成像、通用 ML 训练、generative modelling、statistical inference，还是其他方向？
5. 可用的算力、软件栈、数据集，以及差旅 / 会议预算分别是什么？
6. 对于中国内地申请者，这个项目未来是否还有 CSC-UoB 提名周期？内部截止时间是什么？

中优先级问题

1. learned optimizers 将如何与强势的经典基线比较，例如 tuned SGD/Adam/proximal/quasi-Newton 变体？
2. 预期会有哪些 out-of-distribution 或 cross-task generalization 测试？
3. 是否与 Cambridge、imaging groups、health-data teams 或 Institute for Data and AI 存在活跃合作？
4. 到第 1 年和第 2 年末，现实的论文目标分别是什么？
5. 申请者的国籍 / 课题组合是否需要 ATAS？这一步通常需要预留多久？

证据与来源

项目、项目路径与学校

• Applied Mathematics PhD - University of Birmingham
• Mathematics PhD opportunities - University of Birmingham
• School of Mathematics research - University of Birmingham
• University of Birmingham league tables
• University of Birmingham REF 2021 results
• THE University of Birmingham profile
• QS University of Birmingham profile

导师、环境与论文

• Dr Junqi Tang staff profile
• Junqi Tang research portal
• Foundational Data Science and AI Methodologies affiliates
• Equivariant Test-Time Training with Operator Sketching
• A Guide to Stochastic Optimisation for Large-Scale Inverse Problems
• Practical Operator Sketching Framework
• Boosting Data-Driven Mirror Descent
• Provably Convergent Plug-and-Play Quasi-Newton Methods

领域、资助、成本与职业证据

• Learning to Optimize: A Primer and A Benchmark
• Data-Driven Performance Guarantees for Classical and Learned Optimizers
• Learning to Generalize Provably in Learning to Optimize
• Is Scaling Learned Optimizers Worth It?
• UoB-CSC PhD Scholarships
• International scholarships - University of Birmingham
• UKRI training grant guidance
• University of Birmingham living costs
• University of Birmingham accommodation fees
• University of Birmingham visa guidance
• Postgraduate careers support - University of Birmingham
• AI Labour Market Survey 2025 - GOV.UK
• AI skills for the UK workforce - GOV.UK
• Data scientist role profile - Government Analysis Function
• Future of Jobs Report 2025: Skills outlook