🔍 耿同学打假报告

论文信息

论文来源：http://poster-openaccess.com/files/ICIC2025/260.pdf
标题：Hybrid Prototype Contrastive Learning with Cross-Attention for Few-Shot Relation Classification
作者：Zeyu Zhang, Shaowei Wang, Nana Bu, Junzhe Zhang, Yuanyuan Xiao
期刊/会议：2025 International Conference on Intelligent Computing (ICIC 2025)
发表年份：2025（会议预计举办时间：2025年7月）

综合评定：🟡 存疑

详细发现

发现 1：张冠李戴的参考文献（第六式：引用与方法学异常）

位置：第 2.1 节（Few-Shot Relation Classification）及 References [14]
描述：在论文第 2.1 节中，作者写道：“CTEG [14]: An attention mechanism and confusion-aware training strategy using entity guidance.”（CTEG[14]：一种使用实体引导的注意力和混淆感知训练策略）。然而，翻开论文末尾的参考文献列表，参考文献 [14] 的内容竟然是：“Wang, Y., Verspoor, K., Baldwin, T.: Learning from unlabelled data for clinical semantic textual similarity. In: Proceedings of ClinicalNLP 2020...”
证据：正文引用的模型名称（CTEG）与描述的功能（实体引导、混淆感知）完全与实际引用的论文（临床语义文本相似度）牛头不对马嘴。这是典型的**“写论文时抄错了 BibTeX 条目”或“直接从别的综述里复制粘贴引用编号却对错了表”**。
严重程度：🟠（虽然不影响核心模型，但在严肃的学术论文中出现如此明显的引用错乱，说明作者在撰写时存在粗心大意或 copy-paste 嫌疑）。

发现 2：违背常理的 Baseline 数据（第二式：数据造假检测）

位置：Table 1. Accuracy (%) of FSRC on FewRel 1.0 validation/test set.
描述：在 Table 1 的 MAML 模型行中，出现了非常反常的数据走向。
证据：
- MAML 在 5-way-1-shot test 的准确率为 89.70%。
- 然而，在给了更多支撑样本的 5-way-5-shot test 中，准确率竟然暴跌至 83.55%！
- 作为对比，同表格中其他所有模型（Proto-BERT, BERT-PAIR, REGRAB 等）在 5-shot 设置下的准确率均显著高于 1-shot。在小样本学习领域，支撑集样本增加通常会使准确率上升或持平，MAML 出现如此巨大的反向跌幅（-6.15%）极不符合常理。
- 推测：作者在从其他文献或自己的实验记录中抄写 Baseline 数据时，极有可能发生了笔误（串行或复制错误）。这也反映出作者在整理 Baseline 数据时可能不够严谨。
严重程度：🟡（属于对 Baseline 数据整理不严谨，自身提出的 HPCL 数据暂未发现明显的数学自相矛盾，但需警惕）。

发现 3：消融实验数据的完美梯度（第二式：数据造假检测）

位置：Table 3. Ablation experiments...
描述：在 Table 3 的消融实验中，各个模块移除后的准确率下降呈现出一种非常“规整”的规律。
证据：
- 在 10-way-1-shot 列中，所有消融变体（w/o local prototype, w/o global prototype 等）的准确率分别为：85.81, 84.75, 85.31, 85.83, 85.92。这些数字的后两位分布在 .75 到 .92 之间，差值均在 1 左右。
- 真实消融实验中，不同模块的重要性通常存在差异，有时去掉某个边缘模块甚至不会有明显变化。而该论文中不论去掉什么模块，准确率总是极其“匀称”地下降一点点。
- 注：仅凭此点无法实锤造假，因为如果模块权重设置得很小，确实可能只产生微小影响。但这种“教科书般完美”的微小降幅，在实际调参跑模型的过程中是高度可疑的。
严重程度：🟡

未触发项说明

第一式（图片复用检测） & 第三式（图片拼接检测）：文本输入中未提供原始的高清图片像素信息（仅有 Fig. 1 和 Fig. 2 的描述与公式），无法进行像素级比对、背景噪点分析和 PS 痕迹检测。
第四式（统计学异常检测）：本论文属于 NLP 领域的准确率对比，未提供包含大量小数点后多位的 p 值、t 值或标准差，因此未触发 p-hacking 等统计学红旗。
第五式（产出异常检测）：当前日期为 2026-06-01，会议时间为 2025-07-26。时间线合理。使用的设备为 NVIDIA GeForce RTX 3090（发布于 2020 年），在 2025 年使用该设备完全符合实验室更新换代的常理，未触发时间线冲突。

耿同学辣评

这篇论文就像是一个化了精致妆容但拉链没拉好的名媛——模型包装得很高大上（又是 Cross-Attention 又是 Hybrid Prototype），自己跑出来的数据也像教科书一样“完美”。但一看引用的参考文献，居然能把临床医学的论文强行按在“实体引导”的头上；再看一眼 Baseline 数据，MAML 在 5-shot 下竟然出现了离奇的大跳水。连别人论文的名字和基础数据都能抄串行，这到底是“深度学习”还是“深度复制粘贴”？建议作者在修炼“炼丹术”之前，先好好学学怎么用 EndNote/Zotero 正确插入参考文献！

建议后续行动

联系作者要求提供 Table 1 中 MAML 模型的原始数据来源，确认是否存在抄写错误。
联系作者核实参考文献 [14] 的正确出处，并在后续版本中予以更正。
（由于未发现系统性核心数据造假，暂不建议直接向机构举报，以纠正学术疏忽为主）

⚠️ 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。

Hybrid Prototype Contrastive Learning with Cross-Attention for Few-Shot Relation Classification