坐标：南半球某十八线水校
' j" j4 M0 ~ S7 i' ^1 Z专业：BSc Data Science，GPA 3.5
! M* x2 H- g0 X5 v: [) ^背景：一篇会议一作oral，一段专业相关实习，Kaggle银铜各一' k# I7 w; U/ m2 |
申请方向：全球混申（不考GRE） 主申MPhil/MRes，辅申MSc，不申PhD9 M, {. e5 F/ i' T( _5 H" X4 e
专业兴趣：Machine Learning / Data Mining
5 s7 r2 _, p/ C! ?) A. W作为一个逃离内卷在绵羊国佛系躺平的海本废物，本人申研的目标很朴实，就是想省下考GRE的体力，利用海本免语言的红利尽可能让自己的申请季过得无痛一些。同时避开CV/NLP两大热门内卷方向，换个国家自费搞搞ML其他领域的研究，搞得好就继续混个PhD，搞不好就回绵羊国开Uber养老。3 i( M" Y( ^/ T, ]0 ?- d9 m
所以在这里提前劝退一波：如果您是要冲击北美top20，牛剑全奖以及瑞士那两所学校的天选之子，下面的选校思路对您没有任何参考价值。我只想抛弃这些Peer Pressure带来的焦虑，找个树洞默默记录一遍自己的选校申请心路历程。) A7 p8 N% }! b& ^! ]. o0 ~$ \' F
就像@FanFanFan说的那样："希望每一个追求梦想的人，追求的都是创造和自我实现，而不是踩踏与被踩踏；希望每一个躺平的人，在选择躺平的那一刻，就能感受到星空的绚烂和绮丽。" 我的选校思路亦是如此。
6 T& q- Z' w6 s6 J5 X9 k<hr/>一、自我定位与排除法' n* T$ L* t" g1 y$ o8 p
9 ~1 h9 K; |0 e# c选校前最重要的准备工作，就是要对自己有点B数。话糙理不糙，毕竟这年头打开CSRankings都能跳出400多所学校，逼死选择困难症。所以在做选择题之前，最好先认清自己的需求，搞个排除法。对我个人而言，就是要排除以下三类：需要GRE申请的学校和项目，偏就业导向的授课水项目，以及一些公认的神仙打架内卷项目，认清形势，抛弃幻想，拥抱躺平的自己。
! V; q3 u* G. {1 x先从美帝说起，不考GRE的话，其实就等于放弃了这个国家。2021fall大规模取消GRE的红利注定只是昙花一瞬，无法视为2022fall的长期饭票。至于其他国家，那就是case by case的问题了：/ ^) q- _2 K( J& q, F
加拿大
! M- T- x( d* X) |Waterloo：&#34;The GRE General test is required of all applicants to the School of Computer Science.&#34;Alberta：&#34;highly recommend taking the GRE. It can help if your GPA is not very high.&#34; 官网这段话已经暗示得很明确了，对于我这种GPA平庸的选手来说，不考GRE估计初筛就会被扔进垃圾桶。UToronto：去寄托和一亩三分地看了一圈，真真是神仙打架，惹不起惹不起。UBC：bar虽然没有楼上那么夸张，但官网数据显示CS硕士录取率是6%（109/1765）, 告辞！4 S) Y4 v6 s0 k
欧洲 P# h4 E5 a7 d7 d
OxBridge/ETH/EPFL：啥也不说了。默默无语两行泪，懂的都懂UCL CSML/DSML/ML：参考历届录取率，bar几乎等同于楼上，再见吧Gatsby UnitICL/Edinburgh：虽然这两校ML实力处于欧陆弱一线的位置，但内卷激烈程度无限趋近强一线KTH ML：他家的bar有多离谱呢？参见：如何评价瑞典皇家理工学院（KTH）2020年部分硕士项目bar？TUD CS：&#34;Applicants with an international diploma are required to take the GRE revised General Test.&#34;5 i6 b# `7 K& }6 g/ j& X6 g' g7 J
另外还有一些Non-English Speaking Country的优秀院校，可惜由于授课语言的限制，每年招的国际生极少, Non-English native speaker极多，读完后再去申请English Speaking Country的PhD大概率不能免语言还需要重新考。如果不熟悉当地语言，选修课很难选。对于我本人来说肯定要避免这种小众且麻烦的坑。包括不限于：
/ P) s5 x6 {! b2 O2 R+ h; @韩国：KAIST, SNU, POSTECH, Korea U, Yonsei U, Hanyang U德国：KIT, TU Darmstadt, Uni-Heidelberg, Uni-Hannover以色列：Technion, HUJI, TAU, WIS, BIU, BGU日本：UTokyo, Kyoto U, Tokyo Tech意大利：Politecnico di Milano, UniPi法国：Ecole Normale Superieure芬兰：University of Helsinki0 n' I" l: N4 o7 z, S
这里额外提名两个欧陆弱一线名校：KU Leuven和RWTH Aachen. 它俩的AI/DS硕士都是提供全英文教学，但共有的问题就是考试难度极大，这种难度并不是刻苦努力去学习就一定能应付得了的。校内的课程考试模式通常分两种：笔试or口试。笔试的题量本身就是溢出的，考试长达3-4个小时，覆盖上课的所有内容，甚至会存在考试内容超纲的现象，使得某些课程拥有极高的挂科率。口试根据现场发挥当面打分，老师判分也绝没有手下留情的余地，高分水过的机会非常少。这直接导致这两所学校的毕业生GPA在整个西方都算很低的水平。再加上庞大的作业量×可观的修课数量，学生很难抽出课余时间搞顶会paper，最后只能拿着一篇毕设Thesis和拼死肝来的平庸GPA黯然离场，想跳到其他国家申PhD没有任何优势可言。 `1 M: H6 j) Q% [ V+ N
最后不分国籍排除一串DS/ML授课型硕士项目，本人只想多做点研究搞搞顶会paper，而下面这些项目的课程设置完全不符合期望，要么讲得太基础 要么夹杂一堆无关必修课。研究机会几乎为零，毕设甚至不需要写论文马马虎虎做个Industry Project就能毕业。对以后申请PhD没有任何帮助：
) H9 h3 ~6 A; C& W! C+ d, F) _/ WEIT Digital - MSc Data Science：看似很美好的DS双学位项目，合作院校不乏KTH, Aalto等欧陆强校，实则金玉其外败絮其中，必修课程掺杂着许多Business/Management/Startup/Marketing等商科水课，再加上Year 1结束后莫名其妙强制所有人参加的business summer school，对于想踏实学习做科研的人简直就是灾难，建议直接改名MSc Business Analysis
! X8 D7 n& V% V, ]* q! C xNUS - MSc Data Science & Machine Learning：NUS非常年轻的一个项目，不需要GRE也可以申。从课程设置可以看出，毕设没有Thesis Option只有强制性的Industry Project，明显就是个就业导向型的授课硕士。官网Q&A明确提到：&#34;There is no direct admission route into PhD programmes for MSc by coursework students.&#34;
* K5 c$ | c. |! NCUHK-Shenzhen - MSc Data Science：同样是授课型硕士，港中深的就业行情不比本部差，但PhD升学率绝对没有本部高。官网在宣传此项目时，总喜欢强调其毕业生平均薪资突破XX万（很符合Shenzhen的风格，哈哈~），这项目本来就是为就业而生的，没有半点儿学术气质。. }1 F+ c. S( ~9 K$ j2 V
UBC - Master of Data Science：与同校的CS硕士项目相比简直就是两个极端，根据官网显示，CS硕士平均毕业时间为2年半，而DS硕士只有10个月？？？短平快就业培训项目无疑了。, l0 J" u7 \- N0 B
Adelaide - Master of Machine Learning：令人无语的课程设置，看看这些必修课的名字：<Human and Ethical Factors in Computer Science>, <Political Institutions and Policy-Making>, <Foundations of Computer Science - Python>, <Engineering Communication & Critical Thinking>...严重怀疑这是给文科同学准备的新手村转专业项目，快逃！8 d0 s0 z8 R& q
<hr/>二、CSRankings调参选校法
& C$ `9 c0 V, a; p4 F) ?% d4 b4 ?8 U6 _9 w" v4 X( s
刚才用排除法砍掉了一堆不能申请的学校，接下来就可以参考CSRankings的排位来慢慢选校了。我本人偏爱的调参方法是勾选ICML, NeurIPS, KDD和WWW，可以最大程度上避免CV/NLP对ML/DM排名的干扰。搭配近5年(2017-2021)的时间轴进行排序，效果吊打QS/Times/US News" B6 s- a' C' _& b8 d( |6 C
- M/ w5 A( y7 z4 b+ m1 `
9 f4 H0 D3 B o3 j6 G$ R- f
4 d) Q$ \ H9 R& G2 e, a$ W9 p下文排名谨以此参数为准（6.26更新）
8 D0 B5 J9 E* T$ I$ h( Z& x) M# E) [0 G! L6 n1 H" f$ m; C1 F5 b
UvA（CSRankings NO.50）: MSc Information Studies (Data Science Track); K! Q6 g( K' r/ }. o5 p
( t. y+ O1 x- H应该是TOP50里最容易被低估的一所学校了，有Max Welling和Maarten de Rijke两位大佬坐镇。虽然只是一年制的项目，但授课强度很大。MSc毕设论文课题可选数量达到惊人的500+，我直呼好家伙。再加上学校身处Amsterdam，周围的实验室和研究所密度喜人，包括不限于：CWI，Microsoft Research Joint Lab with Amsterdam Machine Learning Lab，IBM Center for Advanced Studies Benelux，Huawei DREAMS Lab，Innovation Center for Artificial Intelligence，Intelligent Data Engineering Lab... RA不愁没机会。但是听说有海本不给免语言的先例...？所以先观望一下~
+ ~3 g% U4 p" |' D+ T" GUniMelb（CSRankings NO.53）: MPhil Engineering & IT
; q- w. c6 {4 S, _# m# g+ S; W6 p0 @ m+ e5 t8 ~2 a4 i
离开TOP50，终于看到了土澳的影子（笑哭） U1S1澳洲的MPhil质量还是很高的，无强制TA/RA任务，也不需要修课，提供两年全职研究机会，比那儿的腊鸡coursework不知强了多少倍。学校也都不是强Committee那种，套磁成功再交完Research Proposal就可以坐等offer了。唯一需要注意的就是MPhil拿奖非常困难，需要做好自费的觉悟，像墨大两年MPhil搞下来，光学费就逼近50W RMB，称之为壕版Self-Funded Research也不为过。校内搞ML/DM的包括不限于：: J( G9 ?* ?/ o0 [6 {% `- P) J
James Bailey：PC Chair for ICDM 2021, General Chair for CIKM 2015, Best Paper Award of ICDM×1Benjamin I. P. Rubinstein：Area Chair for ICML 19-21/ NeurIPS 20-21Christopher Leckie：Citations 11300，h-index 48Jianzhong Qi：2019 WSDM Cup ChairRui Zhang：Co-Chair for CIKM 20154 {7 e" C( j N, f/ Y9 ^. _* ~4 i
还有隔壁数院搞因果推断的Mingming Gong，近三年发了9篇NeurIPS+3篇ICML，想跟他走的话应该申MPhil Mathematics & Statistics，特此列出。
6 @6 r0 G& l" D. g最后吐槽一下墨大的CS/DS授课型硕士，大部分课都有分值占比高达40-50%的Group Project，也就是说，你队友的成绩大概率决定了你最终的成绩。考虑到南半球相对魔幻的生源方差，人与人之间的差距比人与狗的差距都大。所以...你懂得。9 Q( d9 f+ i6 a- V0 l2 |8 j1 l9 r
UdeM（CSRankings NO.68）：Master in Computer Science (Thesis Track)
2 D* `! `8 |0 d
! [, ^) b5 c; X: u3 ^' XYoshua Bengio的老家，一所很容易被国内申请人忽视的好学校。大佬们一提到加拿大，都喜欢扎堆去UToronto, UBC, Waterloo卷，再不济也要冲Alberta。可能大家都被UdeM官网的法语界面迷惑了，以为这学校里的课全是法语授课？其实并非如此，本人之前发邮件询问过招生办，得到的答复是CS课基本都有英法双语两种平行授课选项，完全不存在听不懂的问题，申请CS硕士也不需要提交法语成绩。另外他家的许多好课都有独立的网站，任何人都可以访问。例如最受欢迎的这四门：IFT6269 Probabilistic Graphical Models，IFT6135 Representation Learning，IFT6758 Data Science，IFT6390 Fundamentals of machine learning，干货十足诚意满满，推荐大家点进去参观一下。
8 F1 O' x" z9 q6 `# S' |1 y- Y需要注意的是CS硕士的录取方式比较特殊，两种模式平行录取。一种是通过本校官网直接申请，无面试。一种是通过MILA官网申请，有面试。不管哪种方式被录取后需要修两学期课，然后开始搞Thesis。唯一的区别就是通过MILA申请的学生在入学前就能匹配到对应的MILA导师，而通过官网申请的只能等到两学期课程修完才会被分配导师（不一定来自MILA）。正因为如此，MILA申请的竞争激烈程度要大得多，美本加本许多有信仰的Bengio粉丝都在削尖脑袋冲MILA。如果个人实力不强的话，倒不如选择迂回战术：先通过本校官网申请 避开内卷，等到入学后抓住机会去MILA套磁当RA，其实也可以达到相同的效果。
8 |# e& d) v; {5 f, m( y- Y& SUSYD（CSRankings NO.74）：MPhil Engineering & IT
! I$ P* V7 G+ F4 u' m2 v- r+ `: i' t- i7 @1 \$ O% R( U: o2 r7 h
某些吃瓜群众看到这里可能就要质疑了：“悉尼CS扛把子不应该是UNSW吗？啥时候轮到USYD出来作秀了？”可惜他们没搞清楚，UNSW的强项在于Systems/Database，针对Machine learning/Data mining方向来讲，UNSW并没有称霸澳洲的实力，甚至同城UTS也能压他一头。另一个有趣的现象就是悉尼这几所学校CS系拿到tenure教职的华人老师数量惊人，几乎就是除香港新加坡之外，华人CS教职密度最大的海外城市。但是仔细研究一下就能发现，这些在土澳拼到tenure成为paper收割机的华人老师远不止做学术，这本质上是一门生意。例如Dacheng Tao（h-index 125）的情况可以说是完美迎合了上一个十年中国与澳洲的学术界的需求：一方面国内的老师需要大量的(顶)刊顶会文章，另一方面澳洲又需要大量的funding，于是Tao的国内拉钱拉项目+CSC PhD联培+访学刷论文的运作手法帮助其迅速在澳洲做大。凭借着国人的刷分优势在数量上确实达到了世界一流水准，paper, funding, title都有，学界业界都能抓，35岁拿到IEEE Fellow，在现有评价体系完全是事业有成。有心人可以详细翻翻悉尼各校的华人faculty，效仿Tao这样运作的人并不算少，总体而言都不是非常纯粹在做科研，这也算是国人一贯的作风吧。不仅局限于悉尼，香港坡县甚至美帝也有不少华人在这样灌水。说到底也没什么值得批判的，毕竟，摸清了规则，并且能为己所用，本身就很牛了。更何况人家不仅摸清了规则，本身也是有能力的。
% F4 @9 U5 K/ i; s2 Y9 b1 B0 iUni-Tuebingen（CSRankings NO.76）：Master in Machine Learning- O& R5 w9 E, k# A
# p+ j3 N1 ]$ z& N德国的特点就是平均主义，每所学校都隐藏着几个牛人，导致大家的CSRankings排名普遍不拔尖，但绝大多数都能轻松杀进Top 200。图宾根的优势在于其背靠马普所（MPI-IS）, CS系仅去年一年收割24篇NeurIPS+11篇ICML，恐怖如斯。随便揪出两个faculty都是业内顶级水准：0 [. B3 q* _: W% x1 p5 d$ W, ~
Matthias Hein（h-index 45）：Area Chair for ICML, NeurIPS. Action editor for Journal of Machine Learning Research (JMLR)Ulrike von Luxburg（citation 13513）：Executive board member of NeurIPS. Action editor for Journal of Machine Learning Research (JMLR). General Chair/Program Chair for ICML/NeurIPS/COLT. Best student paper award of NeurIPS×2, COLT×3) P* ?( @) a7 j/ q
他家的ML硕士是全英授课，ML相关课程分得很细，包括不限于：<Statistical Machine Learning>, <Probabilistic Machine Learning>, <Numerical Algorithms of Machine Learning>, <Statistical Learning Theory>, <Practical Machine Learning>...本校学生出路也都很好，每年向ETH, Oxbridge, Gatsby Unit等欧陆顶级机构稳定输出PhD/Postdoc。另外德国硕士跳去ETH读PhD可以免除博士第一年修课的任务，值得一试。" p& O X' Y. W H" B
KAUST（CSRankings NO.77）：MSc Computer Science (Thesis Track), Q- _' u5 x) @
1 @$ H, A5 Q. D3 W2 D* e# I U不差钱的土豪校，年年都有国内本科生飞去做暑研。硕士录了就是全奖，其他福利包括不限于：住宿免费，医疗免费，每年还提供一次不投论文就能去开会的机会。录取流程包含2-3轮面试。校内做ML/DM的包括不限于：: O* c, S* e9 ^! ^7 N7 Y
Peter Richtárik（h-index 41）：Area Chair for ICML 2021Xiangliang Zhang（h-index 32）：Area Chair for IJCAI 2021# _; s) g8 z; D3 Z* K
缺点就是CS系课程普遍较难 不容易刷分，某些组据说很Push，有学生996做研究却被老板嫌弃不够努力。需要申请前积极联系组内学长学姐了解情况以免入坑。' J9 t& U! n8 z4 ]' ^& o
TU Munich（CSRankings NO.79）：MSc Data Engineering and Analytics
9 E% I- `! O3 W5 @3 N$ J
% e+ P7 }! s5 g! R) ]) u大名鼎鼎的慕尼黑工大，选修课范围非常广，包括不限于Databases, ML, HCI, HPC, CV, Robotics, Security...唯一的缺点就是毕设Thesis全是本校PhD带着做，老师基本不参与。
; m1 x6 c) v( Q$ SAalto（CSRankings NO.95）：MSc Machine Learning, Data Science and Artificial Intelligence
2 X% E* O- T4 h& p3 H7 X8 b& J1 s: O3 |) ^% u
北欧知名ML强校，有博士校友在NYU拿到教职（Kyunghyun Cho）。系里课程普遍硬核，干货十足。值得关注的猛人包括不限于：Arno Solin, Samuel Kaski, Aki Vehtari, Shaofeng Jiang, Juho Rousu. 是个静心学习做研究的好地方。
6 I3 [ P4 r) r! n& B6 x/ N. s8 N! WUNSW（CSRankings NO.125）：MPhil Computer Science & Engineering) q, s. _. `- a9 K
( [' B( }+ m1 z6 n9 P6 L
顶刊IEEE Transactions on Knowledge and Data Engineering 的权力中心，总主编Xuemin Lin和副主编Wenjie Zhang均来自此校。另外还有一个发展势头很猛的Lina Yao，今年刚就任顶刊 Knowledge-based Systems 副主编，以及CIKM 2021的PC Chair2 A' z( y8 P2 ?
Uni-Saarland（CSRankings NO.143）：MSc Data Science & Artificial Intelligence0 k7 m t% ~. s/ `; j* H) @
; P4 a5 l, V. y$ I! S. _+ N: u2 m地理位置极佳，周围的顶级研究院数不胜数，几乎占据了德国CS学术圈的半壁江山，包括不限于：
& V. M' f4 o+ Q( W! i8 tMax Planck Institute for InformaticsMax Planck Institute for Software SystemsGerman Research Centre for Artificial IntelligenceHelmholtz Center for Information SecurityLeibniz Center for InformaticsIntel Visual Computing Institute # h7 O* i) Q0 ]
JKU Linz（CSRankings NO.154）：MSc Artificial Intelligence
) R$ ^3 V" t }) E3 M6 j" A- v( b1 {# N, e
来自奥地利的一所隐藏很深的学校，随便挂两个老师来感受一下：) ?) c4 p% |6 }/ Z1 Y
Johannes Fürnkranz：顶刊Data Mining and Knowledge Discovery 总主编，担任过ICML的Program Chair，Citations 10000+1 i( O( _/ B3 n6 h4 Z
Sepp Hochreiter：长短期记忆网络（LSTM）发明者，Citations 65000+4 X% ~& N% C V7 @( U7 G7 o5 b
HKBU（CSRankings NO.168）：MPhil Computer Science
9 Q. {" C9 t2 ^) J9 [
8 m @8 _ u' {5 c* T在强校云集的HK，浸大CS系确实没有太多的存在感。不过这两年学校为了提升学术影响力，挖来了伦敦帝国理工学院数据科学研究所所长Yike Guo，算是打响了一个利好的信号。另外值得一提的就是去年刚来的AP Bo Han，博士毕业第一年就当了NeurIPS的Area Chair，今年又担任了ICLR的Area Chair. 近两年(19-20)发了7篇ICML，论同期的ICML产量，在香港应该没有人比他更多。
$ W; E- Q' t# Y: h9 K, v. K<hr/>三、非正式结尾与吐槽心得: s2 c- j2 W6 [6 l* z2 p
! ?# \ y' k. H- F2 n. p8 K6 h0 J+ d
最近私信交流了一些大佬，收获不小。同时也参阅了许多优质回答，集中整理如下：& f1 n1 R! ^5 h4 y l
排名只是一种非客观的标签索引方式，不要赋予它太多的意义与光环。CSRankings的参考价值并不在于排名本身，更合理的利用方法是在页面左侧选择一两个子领域，然后去右侧浏览感兴趣的教授主页，为以后套磁做准备。任何把学校排名和自身前途绑定在一起的行为都是小镇做题家的意淫妄想，亦或是本科处于lower bound的学生期待通过学校排名的上升来提高自身地位的童真幻想，这些都是不可取的。
* W0 q/ {" P& F0 B+ j% ?! ?7 q很多人做题家思维太重，非要把录取的bar等同于项目本身的含金量。如果带着这种内卷思维去留学，很可能会成为一个狭隘的人：只知道在学校闷头修课，同时嫌弃身边的中国同学平均素质和精神面貌。自己反倒没有想清楚毕业要不要读博/工作、怎样规划读博/工作，这种人毕业大概率是要回国走人的。 . h: k s; `9 T' W
对于没有经历完整系统科研训练/没有明确研究方向的人来说，本科毕业直接冲PhD比较容易进坑。相比之下读完MPhil/MRes去念PhD的人，比较不容易进坑。
0 u/ m* y' e2 U* p- @ ^MPhil/MRes比MSc更容易接PhD, 因为：
+ N! q! v3 R: t8 N1 ^# \& N1. 课业任务相对较少，有大量的时间可以忙PhD申请
, e( |# j% v3 J! C' _( `6 A4 f2. 课程组织像博士0年，可以提前进入状态。比如MPhil/MRes写Research Proposal的水平吊打授课型MSc，搞研究项目的质量也能秒杀授课MSc的毕设项目，无论在实际上还是在简历上。
0 C$ P9 j. V9 P2 ]. R: B3. 如果继续留在本校读博，早日进入组织当然更容易拿到全奖。如果继续留在本校同一个导师名下读博，可以把MPhil/MRes置换成博士第一年，那么博士相当于从第二年读起。 . n- P8 a, F1 R
申请软硬件重要性排序：圈内大牛极强推>顶会高质量一作>圈内小牛强推>=顶会灌水一作>GPA2 V# v7 |! _/ w# ?" ~8 f1 |/ Z+ O
) [0 T1 E! h6 t, J5 w顶会二三作/水会一作在申请中起到什么作用？
^2 J2 h/ q: r1 s8 k1. 假如导师是一作，论文发表在顶会/顶刊。这种情况下，二作三作仍然有很大的作用。一般在面试中会问申请人在相关论文中的贡献 （写作>想法>实验>打杂）! j) Z6 e/ K* x3 [# H
2. 假如你是（独立）一作，但论文发表在垃圾会议或者刊物（特指某些报价上万的线上科研/背景提升项目提供的Scopus/EI会议/EI期刊论文辅导），对申请基本没什么用，对某些top校来说甚至会起到反作用。
3 C+ d* Z/ P! S5 j7 S& c% M申请最重要的是什么？是推荐信。如今申请人的基本功和努力程度都不会差，剩下的就是靠这三封推荐信。@周博磊在MIT帮faculty初筛申请材料的时候总结过这样一条公式：1篇CVPR+1封圈内老板推荐信 > 4篇CVPR. 人是关于政治的动物，学术也是一个关于圈子的游戏，你的推荐人都是圈子里的，你被录取的几率就很大，你的推荐人是圈子里的大佬，还是强推，那你在这个圈子里基本上想去哪个学校就去哪个学校。举个例子，最近10年UvA是全世界发SIGIR最多的学校，126篇，而且只用3个faculty。看看同期Oxford呢？10年里只有1个教授发过1篇，还是跟UvA大佬合作的。这就叫SIGIR的圈子。大家感兴趣的话可以再翻翻ICML的情况，就会发现是另一个圈子了。 & u! T i9 ~) B* R% m
申请MPhil的选校问题，说白了就是关于圈子的选择问题，要去了解一下你想套的supervisor发什么会议和期刊比较多，他的合作者是谁，他的博士论文里感谢了谁，他在哪里读的PhD，他的导师是谁，他的学生去了哪里。一套流程考察下来，就能估算出自己MPhil毕业可以跳到哪些top学校读PhD。
2 g( D! r4 I5 `. M! L) M$ T关于MPhil/MRes研究方向的选择问题：你最终走到什么方向，是运气、实际条件、外在环境（比如论文的接收情况）等多重因素综合的结果。你开始从什么方向入手其实没那么重要，且有很大的概率有会换很多很多个方向，直到慢慢收敛到一个方向，完成自己的答辩。就像大部分优化问题一样，虽然初始化很重要，但没有过多先验的初始化方法跟随机也差不多。从方法论上说，建议选择一个你自己没那么讨厌（甚至有点感兴趣），且你的导师深耕的领域。这样至少能确保有稳定的发表，不耽误毕业。等你熟悉了科研的流程，并慢慢找到了感兴趣且做的动的方向，后面的故事你就可以自由发挥了。 2 k3 R* t* c3 i2 t: Y; x* c
衡量值不值得gap的标准就是能不能引起质变。比如，从没有paper到有顶会paper，从顶会paper到顶会一作best paper，从推荐信小牛弱推到大牛强推等等，否则gap收益不够大，蹉跎一年还是申不到想去的学校。 & `. D V8 S2 d7 D6 ]; A5 ?* A, J+ R
Paper重要，推荐信重要，connection重要，情商更重要。做学问之前先学会待人接物，这是最基本的。其实这个圈子是很小的，一封黑推可以毁掉之前所有的工作。而往往悲哀的是，这些失败者自己却仍不自知。
( t4 o- c: s4 u9 o& _* m0 @6 R% g! d1 U类似TBSI, HKUST(GZ), MBZUAI之类的新办联名院校，学生有机会见到大牛，但对于大多数学生来说，也只是见到罢了。学院还很年轻，还需要相当长的时间积淀和发展。少数组会打卡干活，大部分组倾向于放养，师兄师姐资源无限趋近于零，全靠你自己约束自己。极少数顶尖学生依靠大牛资源跳到很不错的学校念PhD，但多数普通人还是只能靠自己。
/ m% Q/ C; Z: y0 F+ A0 |bar年年水涨船高，每年都是最难的一年。说白了这事儿就和买房一样，人家学长学姐上车早享受到红利罢了。但现在还有这样的机会吗？刻舟求剑要不得。许多人将2021fall的回答视为宝藏案例库，妄图从头到尾翻个遍。可惜他们没想明白：无论是宏观的统计，还是个体的案例，对自己的参考价值都是很有限的。而如果翻看大佬们的成功案例，展示的又永远是光辉的一面，所以幸存者偏差更严重，看多了只会让心态更崩。你看得越多，大数据越会盯上你，给你疯狂推送这种peer pressure，增加不必要的焦虑。0 N, O5 p: q1 T- J9 \5 F8 E1 k d; O
认清自己的申请实力，其实是一件残忍的事情。许多人没有勇气去面对真相，只能逃到这里匿名幻想自己的“彩票校”许愿池。如果寄希望于别人来告诉自己真相，请不要参考20/21fall下面的回答，只需找Professor要推荐信的时候 开诚布公谈一次，提出下面几个问题：
A; G3 h/ i; B* S9 o您是否愿意给我写一封极强推？您如何评价我简历上的成果？您认为我的背景能申请到什么级别的学校？
" F, \& a$ L5 {% Y# X 可能这些都是让自己痛苦，也让Professor痛苦的问题。与其拖延半年等梦校发邮件告诉自己答案，不如趁现在观察一下Professor对这些问题的反应，至少可以帮助自己冷静估算出申请的成功性，看清申请池里的自己到底是在踩踏别人，还是被别人踩踏。 |
提升卡
置顶卡(30天)
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡