🔍 耿同学打假报告

论文信息

• 标题：HydraMamba: An Efficient and High-Performance Architecture for Time Series Classification through Multi-Mechanism Fusion
• 作者：Peiqi Tang, Mengna Liu, Xin Qin, Yutao Jin and Xu Cheng
• 期刊/会议：2025 International Conference on Intelligent Computing (ICIC 2025)
• DOI：无
• 发表年份：2025
• 论文来源：http://poster-openaccess.com/files/ICIC2025/3812.pdf

综合评定：🔴 实锤

详细发现

发现 1：数据违背常识（随机数生成器都不如）

• 位置：Table 1 (Page 4)
• 描述：作者声称在 UEA 30个数据集上进行了实验，但部分数据集的准确率低得极其离谱，完全违背了深度学习模型的下限。
• 证据：
  1. PenDigits 数据集：这是一个极其简单的手写数字多变量时间序列/轨迹数据集（10分类）。主流模型（如 MLSTM, Tapnet 等）在该数据集上的准确率都在 97% 以上。然而，作者提出的 "OURS" (HydraMamba) 准确率竟然只有 0.104（即 10.4%）。在一个 10 分类任务中，10.4% 的准确率基本等同于瞎猜，这对于一个声称 SOTA 的模型是绝对不可能的，极大概率是编造数据时小数点点错了位置，或者干脆随机填的。
  2. CharacterTrajectories 数据集：对比模型 TST 的准确率被标记为 0.000。这也是荒谬至极，任何一个正常运行的分类器都不可能在测试集上准确率严格为 0（除非代码有重大 Bug 或数据彻底泄露/乱码）。
  3. ERing 数据集：OURS 的准确率只有 0.133，同样属于瞎猜水平。
• 严重程度：🔴

发现 2：数据前后矛盾（造假记性差）

• 位置：Table 1 (Page 4) 与 Table 2 (Page 5)
• 描述：作者在主表格和消融实验表格中，对同一个模型在同一个数据集上的准确率报告不一致。
• 证据：在 Table 1 中，模型（OURS）在 Heartbeat 数据集上的准确率为 0.922。然而，在 Table 2 的消融实验中，完整模型（OURS）在该数据集上的准确率却变成了 0.898（文本描述中写为 0.8976）。同一个实验的同一个指标，在两页纸之内就发生了变化，说明作者极有可能在人为篡改或拼凑实验数据。
• 严重程度：🔴

发现 3：行文复制粘贴暴露（量产型学术）

• 位置：Section 3.3 (Page 3)
• 描述：第三节的方法论部分出现了严重的排版和命名错误，暴露了复制粘贴（Copy-Paste）的痕迹。
• 证据：第 3.1 节的标题是 "Multi-Receptive Field Feature Extractor" (MRFFE)。然而，到了第 3.3 节，标题竟然又是一模一样的 "Multi-Receptive Field Feature Extractor"。但如果你看 3.3 节的具体内容："The DSSM is designed to..."，你会发现这部分实际讲的是 Dynamic State-Space Mixer (DSSM)。连自己提出的核心模块的小标题都能写重，说明论文写作过程极其敷衍，多半是在不同草稿间复制粘贴时忘记修改。
• 严重程度：🟠

发现 4：方法学常识错误（装X装过头了）

• 位置：Section 4.1 (Page 4)
• 描述：实验设置部分在描述软硬件环境时，出现了非常可笑的外行错误。
• 证据：文中写道："All neural networks are built using Python 3.8/3.9, pytorch 11.3 as the backend."
  任何一个常年搞深度学习的人都知道，PyTorch 的版本号根本没有 11.3！目前 PyTorch 的版本停留在 1.x 或 2.x（如 1.13, 2.1 等）。11.3 是 CUDA 的版本号（CUDA 11.3）。这说明作者在造假或拼凑论文环境配置时，连 CUDA 和 PyTorch 都没分清，直接把运行环境的系统版本抄过来了。
• 严重程度：🔴

发现 5：文本编码/公式排版异常

• 位置：Section 3 (Page 3)
• 描述：在公式和变量排版上存在大量乱码。
• 证据：文本中出现了大量类似 � 的 HTML/Unicode 乱码。这说明这篇 PDF 很可能不是从标准的 LaTeX 编译而来，而是通过某种网页端富文本编辑器或格式转换器强行生成的，排版极其粗糙，符合低质量"水会"论文的特征。
• 严重程度：🟡

耿同学辣评

这篇论文堪称"缝合怪与随机数生成器的完美联姻"。嘴上喊着 SOTA，结果在简单的 PenDigits 数据集上跑出了 10.4% 的"瞎猜级"准确率，不知道的还以为你们是专门开发"反向预测"模型的。更离谱的是，环境配置里赫然写着 pytorch 11.3，把 CUDA 版号安在 PyTorch 头上，连搞深度学习最基本的常识都没搞懂就来发论文，造假连草稿都不带审的！小标题都能一模一样复制粘贴两次，这不是量产学术垃圾，什么是量产学术垃圾？

建议后续行动

• 在 PubPeer 上提出质疑（附上 PenDigits 数据和 PyTorch 版本的截图）
• 联系 ICIC 2025 会议组委会，指出其数据严重违背常理的问题
• 联系天津理工大学相关学术委员会核查其实验原始记录
• 核查作者其他论文是否存在类似的"量产"与数据异常问题

⚠️ 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。