Pathovio
返回博客
EB-2 NIW

人工智能与机器学习专业人士的 EB-2 NIW 材料整理

读完本文,您将能够把自己的 AI/ML 工作对应到 Dhanasar 三项标准,整理证据索引、引用影响力索引表和推荐信,并按顺序组装材料包提交。

阅读约 11 分钟 EN TR PT ES
分享本文

将您的 AI/ML 工作对应到 Dhanasar 三项标准

美国公民及移民服务局(USCIS)依据 Matter of Dhanasar 一案确立的三项标准(three-prong framework)评估每一份 NIW 申请。您整理的每一份证据和每一封推荐信,都应当能够回溯到这三项标准中的某一项。

第一项:事业具有重大价值和国家重要性

这里评估的是您所从事的事业本身——而不是您的简历——是否具有重大价值(技术上的、经济上的或其他方面的)和国家重要性。评估依据是该事业可能带来的影响,而不是您个人的资历。

第二项:您本人具备推进该事业的能力

这一项考察的是:您本人是否具备推进该事业所需的培训背景、过往成绩和资源——证据包括论文发表、过往项目、GitHub 代码仓库、行业合作关系,或已经获得的资助。

第三项:豁免雇主担保对美国有利

这一项需要说明:鉴于该事业的性质,要求劳工证和特定雇主担保为何不切实际或适得其反——例如,该工作跨越多个机构,或推进速度快于单一职位招聘所能跟上的节奏。

对照举例

事业陈述 第一项 第二项 第三项

用具体、可核实的方式界定您的拟议事业

一份事业陈述需要具备足够的具体程度,使审案官员原则上能够核实您所述内容是否属实。应由以下四个要素来构建这份陈述。

第一步:指明技术问题

说明您的工作所针对的具体缺口或局限,而非笼统的领域。“改进人工智能安全性”并不是一个技术问题;“降低基于 transformer 的工业控制系统入侵检测模型的假阴性率”才是。

第二步:说明具体方法

指明实际采用的方法——架构、训练方式、数据集类型、评估流程。这样可以将陈述与可核实的论文、代码或部署情况直接对应起来。

第三步:确定受影响的人群或行业

说明谁在使用或受到成果影响:某个行业(电力公用事业、放射科部门)、某一用户群体,或一系列下游系统。

第四步:加入可量化的规模

在条件允许的情况下,列出具体数字:服务的用户数量、部署的系统数量、获得的资金、引用该方法的论文数量,或采用该方法的机构数量。

修改前:“我致力于推动机器学习在重要现实应用中的发展。” 修改后:“我开发用于电网安全的可解释异常检测模型,已部署于覆盖多个区域电网运营商的公用事业监测系统中,相关方法发表于两个同行评审期刊/会议,并已被一个开源工具包采用,具有可量化的下载量。”

核查清单

  • 过于宽泛的表现:没有指明具体技术问题,没有说明方法,没有确定受影响人群,也没有数字支撑。
  • 足够具体的表现:一位不了解您的读者,能够根据论文、代码库或推荐信逐项核实每一项陈述。
  • 避免只是重述职位名称或雇主介绍——应描述的是这项事业本身,而非您所担任的职位。

人工智能/机器学习领域特有的证据类别

USCIS 评估证据时看重的是证据能证明什么,而不是证据的名目。下面每一类证据,您都需要记录两件事:它确实存在,以及它能说明该事业(endeavor)在价值、影响范围或您本人定位上的哪一点。

核心证据类型

  • 同行评审出版物。 发表于 NeurIPS、ICML、ICLR、CVPR、ACL 等会议,或 JMLR、IEEE Transactions 系列等期刊的论文,可确立技术贡献。能找到的话,注明录用率和该会议/期刊在领域内的层级。
  • 引用次数。 分别从 Google Scholar 和 Semantic Scholar 提取数据。原始数字单独列出意义有限——应配以领域归一化的参照(同年龄段、同细分领域论文的中位引用数),以便审查官判断其分量。
  • 开源指标。 GitHub 的 star 数、fork 数、贡献者数;PyPI 或 Hugging Face 的下载量。这些数字只有在能对应到可具名的机构或下游项目的实际采用时才有分量,单独罗列数字没有意义。
  • 专利。 与该事业技术主张相关联的已授权或已公开申请。
  • 程序委员会/审稿人身份。 在上述会议担任评审职务,可体现业内认可的专业水平;列出具体会议名称及年份。
  • 基准测试排行榜名次。 在 Papers with Code 等跟踪平台上的排名,需注明具体任务、数据集和指标名称。
  • 行业应用证明信。 来自相关机构、描述该工作实际被使用情况的证明信,最好附带可量化的结果(成本降低、准确率提升、避免的事故次数等)。

在所有类别中,没有关联到可量化结果的证据,读起来只是“做过什么”,而不是“产生了什么影响”。

建立引用与影响力索引表

分散在各个平台上的数据,审核官员很难逐一核实,您自己也容易在引用时出错。在起草任何证据exhibit之前,先建立一张统一的表格。

第一步:采集原始数据

  • Google Scholar:打开您的公开主页,记录总引用数、h-index,以及每篇论文各自的引用次数。
  • Semantic Scholar:使用作者 API 或公开主页,交叉核对引用数据,并获取 Google Scholar 不提供的“有影响力引用”(influential citation)数字。
  • GitHub:使用仓库的 Insights 页面查看 star 数、fork 数和访问流量;通过 PyPI 或 Hugging Face 的下载统计页面获取软件包或模型的下载量。

第二步:整理成一张表

用电子表格建立以下列:作品/仓库名称、平台/发表venue、日期、指标类型、指标数值、来源网址、采集日期。每一行对应一项指标,而不是一项作品——同一篇论文的 Google Scholar 引用数和 Semantic Scholar 引用数应分别列为两行,各自标注日期。

第三步:为每条数据留存证据

每一行都应保存一份能显示该数字的网页 PDF 或截图,且网址和日期须清晰可见。将这些文件存放在与exhibit编号对应的文件夹中,使申请说明信中引用的每一个数字都能追溯到一份存档记录。

第四步:在临近提交前重新采集

这些指标在持续变化。应在提交前几周内重新采集每一项数字,更新采集日期一栏,并重新保存截图,使证据反映的是当前状态,而不是几个月前的旧数据。

推荐信:挑选并指导独立专家

挑选能算作独立人士的撰写人

如果一封推荐信出自申请人现任主管、博士导师或常年合作者之手,审查官会将其视为利益相关方的意见。建立推荐人名单时,应以与申请人没有合著关系、没有雇佣关系、也没有经济利益关联的人为主:包括在其他机构、引用或在申请人工作基础上开展研究的学者,使用过申请人所开发模型或工具库的公司工程师,曾处理过申请人投稿的项目主席或领域主席(program chair 或 area chair),以及下游项目的维护者。两到三封独立推荐信,配合一到两封来自密切合作者的推荐信,比一叠全部来自申请人自己实验室或团队的推荐信更有用。

每封信应涵盖的内容

每位撰写人应说明:他们是如何得知这项工作的(阅读论文、使用某项工具、评审投稿、复现某项基准测试结果),他们能够具体评述的技术贡献,以及一项独立观察到的影响——例如该方法在其所在机构内部的采用情况、他们使用申请人方法所获得的可衡量改进,或他们自己发表作品中对该工作的引用或比较。

提供指导而非代笔

给每位撰写人发送一份简短的提纲,而不是一份草稿:(1) 关系及其接触该工作的方式;(2) 一到两项具体贡献;(3) 他们所观察到的一项具体、可衡量的结果;(4) 用他们自己的话写成的结语。可以提供日期、论文标题和数据以确保准确,但推荐信的撰写应由撰写人本人完成。

整理 Form I-140 NIW 材料包

USCIS 的审查官是按材料包装订的顺序逐页阅读的。一份顺序可预期、每份文件都有标签和索引的材料包,更容易阅读,也更容易对照检查是否有遗漏。

提交顺序

  1. Form I-140。 提交前请在 uscis.gov 上确认当前版本及所有必需的附表;使用过期版本可能导致材料被拒收。
  2. 申请费付款。 请在 uscis.gov 上确认当前的 I-140 申请费金额及付款方式说明。
  3. Asylum Program Fee 付款。 这是与 I-140 申请费分开的一笔付款,使用相同的付款方式(支票或汇票,或信用卡付款时使用 Form G-1450)。请在 uscis.gov 上确认当前金额及付款说明。
  4. 申请说明信(即附函,论证 Dhanasar 三项标准的核心文件)。
  5. 愿景陈述,如果作为独立文件提交而非嵌入申请说明信中。
  6. 证据目录(证据索引的目录页)。
  7. 证据 exhibits,依次编号为 Exhibit A、Exhibit B、Exhibit C 等,每份 exhibit 附一张说明其内容的封面页。
  8. 推荐信,通常归为一组带标签的 exhibit 区间。
  9. 简历(CV),作为独立的最后一份 exhibit 放在材料包末尾。

文件命名

在打印或电子提交之前整理电子文件时,文件名应让人无需打开文件即可看出对应的 exhibit 字母和内容,例如:ExhibitA_Publication_NeurIPS2023.pdf、ExhibitB_GitHub_Metrics_ModelRepo.pdf、ExhibitC_Letter_DrSmith.pdf。在申请说明信内部引用时,保持使用同样的标签,这样读者可以在正文叙述和对应 exhibit 之间来回查阅,而无需逐页搜索。

提交流程:加急处理与追踪优先日

加急处理

EB-2 NIW 类别的 I-140 申请可以使用加急处理(premium processing)。处理时限以工作日计算,而非自然日。要申请加急处理,需在提交 I-140 的同时或之后提交 Form I-907,具体操作请以 uscis.gov 上的最新说明为准。费用和处理时限会不定期调整——付款前请在 USCIS Fee Calculator 和 Form I-907 页面分别确认两者的现行数值,不要沿用以前申请时记下的旧数字。

在签证公告中找到对应图表

您的优先日(priority date)就是 USCIS 为您的 I-140 分配的收到日期(receipt date)。要查看该日期何时变为现行(current),请打开 travel.state.gov 上当月的签证公告(Visa Bulletin),找到对应您所属类别(EB-2)和所属国别(chargeability)的表格。每月会公布两张图表:终裁日期(Final Action Dates)和递交申请日期(Dates for Filing)。USCIS 通常会在其签证公告页面说明当月提交 Form I-485 或办理领事程序应参照哪张图表——由于这一指示可能逐月变化,请每次都重新确认。

比对日期

找到您所属类别与所属国别交叉处的单元格,该日期即为截止日期(cutoff date)。只有当您的优先日早于图表中显示的截止日期,或该单元格显示“C”时,您的优先日才算现行。优先日与截止日期相同,并不算现行。单元格显示“U”表示该类别当前不可用。截止日期可能在下个月前移(推后),也可能倒退至更早的日期,或变为“U”。请每月重新查阅签证公告和 uscis.gov,不要假定上个月的数据仍然适用。

AI/ML 申请中常见的特有错误

缺乏背景信息的引用数字

没有参照系,一个原始引用数字对审核官员意义不大。只写“被引用312次”,却不说明论文发表年限、该领域的引用惯例,或有多少位合著者共享这份功劳,等于是把判断责任推给了审核官员,让其自行猜测。每一个引用数字都应配上领域背景信息:该子领域的典型引用增长速度、这篇论文相对于同一会议同一年份其他论文的位置,以及如果该论文合著者众多,申请人本人具体贡献了哪些部分。

只是复述简历内容的推荐信

一封推荐信如果只是罗列学位、职称、发表数量——这些审核官员在简历(CV)中已经能看到的信息——就没有增添任何价值。这种信读起来像是凑篇幅,还可能招致进一步索要更具证明力材料的要求。每封推荐信都应该描述具体的、由写信人独立观察到的、关于该项工作实际效果的事实,而不是对申请人自己材料的改写。

描述工作职责而非具体事业的事业陈述

类似“为雇主构建机器学习系统”这样的表述,描述的是一个职位角色,而非一项具体事业,审核官员无法据此对照三项标准进行具体评估。

过时的指标数据

GitHub 星标数、下载量、排行榜名次都在持续变动。几个月前提取的数字,到审核官员自行核实时可能已经对不上。应在临近提交时重新提取这些数据,并在每份exhibit上注明提取日期。

混乱无序的证据

未标注的附件、申请说明信与证据索引之间缺少交叉引用,或exhibit顺序混乱,都会迫使审核官员自行翻找支持材料,这是导致补充证据通知(RFE)的常见原因。

我们在公开页面上使用 Google Analytics,以了解访客如何找到并使用本网站。除非您接受,否则该功能保持关闭,且与您的案件档案、答案或材料没有任何关联。 隐私政策.