🔍 耿同学打假报告

论文信息

标题：Adaptive Policy Learning for Connected Autonomous Vehicles Defending Malicious Access Requests by Graph Reinforcement Learning
作者：Qian Xu, Lei Zhang, Yixiao Liu
期刊：IEEE INTERNET OF THINGS JOURNAL ( VOL. 11, NO. 20 )
DOI：10.1109/JIOT.2024.3429522
发表年份：2024
论文来源：2024 - Dynamic Access Control Policy based on Blockchain and Machine Learning for the Internet of Things.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据造假检测（教科书般的巧合）

位置：TABLE V (COMPARISON OF GCN AND STGCN...)
描述：在对比 GCN 和 STGCN 模型的分类性能时，出现了统计学上极小概率发生的“完美巧合”。
证据：
1. 在 Interfering Access Requests 实验中，GCN 的 Precision, Recall, F1-Score 居然完全一样，全是 0.9691。
2. 更离谱的是，在同一个实验中，STGCN 的这三个指标也完全一样，全是 0.9994。
3. 在二分类问题中，Precision（TP/(TP+FP)）和 Recall（TP/(TP+FN)）在四位小数上完全相等，意味着假阳性（FP）和假阴性（FN）的数量绝对相等。两个对比模型在同一个测试集上都出现了这种绝对的相等，这已经超出了随机实验的范畴，高度疑似人为编造数据或者为了凑高指标而“算”出来的结果。
严重程度：🔴

发现 2：文本拼接与逻辑混乱（复制粘贴的痕迹）

位置：Section II. C. 2) (Page 33479)
描述：作者在综述 GNN 和 GRL 的应用时，出现了明显的行文逻辑混乱和张冠李戴。
证据：
1. 文本写道：“Chen et al. [13] proposed a method based on GCN with DQN... for collaborative lane-changing... Chen et al. [13] proposed GCN and DQNs for signaling control.” —— 作者连着两句话引用同一篇文献 [13]，前一秒说它做的是换道决策，后一秒突然变成信号灯控制。这极大概率是作者在复制粘贴其他段落的综述时，忘记修改引用文献的编号。
2. 文本写道：“Liu et al. [34] both used GCN as the state space...” —— 这里使用了“both”，但前面只提到了 Liu et al. 一个团队。这通常发生在原作者抄袭了自己以前写的关于“XXX and Liu et al.”的句子，删掉前半部分却忘了改语法。
严重程度：🟠

发现 3：样本量存疑（极小样本得出的百分比）

位置：Section V. F. 2) (Page 33489)
描述：在报告核心评价指标 TRR（真拒绝率）时，给出的数据精确到小数点后两位。
证据：
文中写道 VPolicy-GRL 的 TRR 为 98.48%，DDQN 为 93.94%。
稍微懂点分数换算的人一眼就能看出来：98.48% 大约是 65/66（实际为 98.4848...%），93.94% 大约是 62/66（实际为 93.9393...%）。
如果是以 66 为总样本量计算出来的，这种分母极小的测试集根本不具备统计学意义，却能画出 Fig. 14 那样平滑的收敛曲线。如果是大样本量，不可能恰好得出这种类似有限分数的典型百分比。这暴露出实验可能只跑了极小规模的测试，甚至数据是手工凑的。
严重程度：🟠

发现 4：引用与方法学异常（时间线与引用冲突）

位置：References [1] & Introduction
描述：参考文献的发布时间与论文撰写时间存在潜在冲突。
证据：
论文于 2024 年 3 月 12 日投稿，但参考文献 [1] 引用的是 "Global Automotive Cybersecurity Report 2024"。通常年度安全报告在年底或次年初发布，如果在 2024 年 3 月就引用了 2024 年的全年报告，除非这是一份 2023 年底发布的预报，否则时间线上存在疑点。
严重程度：🟡

补充说明（未触发的检测）

第一式（图片复用）& 第三式（图片拼接）：由于当前输入为文本形式，无法获取图片的像素级信息（如图 7、9、14 等的实际图像），无法判断是否存在旋转、拼接、伪造电泳图等行为。但这并不代表图片绝对清白，仍需查证。

耿同学辣评

这篇论文的 Table V 堪称“数学奇迹”，Precision 和 Recall 能在四位小数上完全相等，而且两组实验还各自“奇迹”了一次。这种“Ctrl+C 加 Ctrl+V”的造数据手法，甚至都懒得用随机数生成器稍微加一点扰动。连参考文献的综述部分都能写出“同一篇论文既做换道又做红绿灯”的笑话，这哪里是做科研，这分明是让大家来找茬啊！

建议后续行动

联系作者要求提供原始数据和代码（特别是 Table V 的混淆矩阵原始数值和测试集样本量大小）
在 PubPeer 上提出质疑（关于 0.9994 和 0.9691 的神奇巧合）
向期刊编辑部举报
向作者所在机构（Tongji University）学术委员会举报

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。

Adaptive Policy Learning for Connected Autonomous Vehicles Defending Malicious Access Requests by Graph Reinforcement Learning