🔍 耿同学打假报告

论文信息

标题：A dynamic graph structure optimization diagnosis
作者：Zhiyuan Hu, Yangde Lin, Jianrong Li (✉), Juan Lyu
机构：天津科技大学人工智能学院
期刊：文本中未明确标明（疑似会议论文或未正式见刊底稿，排版及公式乱码严重）
发表年份：文本中未明确（参考文献最新为2024年，当前日期为2026-06-01，推测为2024-2025年左右投递）

综合评定：🔴 实锤

详细发现

发现 1：数据造假检测（表格行数注水与复制粘贴）- 第二式

位置：Table 1 (Page 10) & Table 2 (Page 10-11)
描述：作者在展示不同超参数下模型表现的表格中，进行了极其低级的“复制粘贴”凑数操作。
证据：
1. Table 1（Cora数据集）中，总共列出了18行数据。然而，其中存在大量完全一模一样的行。例如：第1行、第7行、第11行、第15行、第17行的数据（dropout=0.5, lr=0.01, epoch=250, accuracy=0.83759）完全一致；第2行、第8行、第12行、第16行、第18行（accuracy=0.8665）也完全一致。
2. **Table 2（CiteSeer数据集）**同样存在此问题。第9行、第11行、第19行、第21行（accuracy=0.6994）被原封不动地复制了4次；第10行、第12行、第20行、第22行（accuracy=0.7605）也被复制了4次。
3. 真实的多次独立实验哪怕结果再接近，在小数点后4-5位上也绝对不可能出现如此高频的完全雷同。这并非是真实的实验记录，而是作者为了“丰富”实验数据，人为使用复制粘贴手段伪造的表格。
严重程度：🔴

发现 2：引用与方法学异常（极其离谱的文献伪造）- 第六式

位置：References 部分 (Page 13-14)
描述：论文的参考文献存在明显的批量编造、抄袭或AI幻觉生成痕迹。
证据：
1. 参考文献 [11] 与 [15] 完全一模一样：Fu, S. et al.: Few-Shot Learning With Dynamic Graph Structure Preserving. IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023). 一稿两用，用来凑引用数。
2. 卷期号与页码严重造假/套用：参考文献 [2] (IEEE Transactions on Parallel and Distributed Systems 2(5), 99–110 (2023)) 和上述的 [11]/[15] 共享了同一个诡异的卷期号和页码 (2(5), 99–110)。要知道，《IEEE Trans on Industrial Informatics》在2023年早就出到了第19卷，《IEEE Trans on Parallel and Distributed Systems》2023年也是第34卷。出现 2(5) 这种低级卷号，且页码高度雷同，只能说明作者在伪造参考文献时随便填了瞎编的数字。
严重程度：🔴

发现 3：统计学异常检测与吹牛皮不打草稿 - 第四式

位置：Abstract & Section 4.4 (Page 9)
描述：实验结果的叙述与常理严重不符，存在过度包装（Spin）的嫌疑。
证据：在摘要和实验结果部分，作者信誓旦旦地写道："During the experiment, the DG-SOD model showed excellent performance... The accuracy of bearing fault diagnosis increased to 65%"。
任何做过工业设备故障诊断（尤其是轴承）的人都知道，哪怕是传统的支持向量机(SVM)或基础的 ResNet，在标准轴承数据集（如CWRU）上的准确率通常都能轻松达到 95% 甚至 99% 以上。作者提出了一个复杂的图神经网络+各种Loss优化策略，准确率居然只有区区 65%，然后竟然敢在摘要里大言不惭地吹嘘这是 "excellent performance" 和 "obvious advantages"。这不仅是学术水平的缺失，更是对审稿人智商的侮辱。
严重程度：🟠 (属于严重的学术夸大与逻辑硬伤)

发现 4：排版灾难与格式异常（缺乏基本审查）- 第五式/第六式

位置：Page 8 (公式1) 及全文
描述：文本出现了极其严重的排版乱码，证明该论文极有可能未经过任何正规期刊或会议的初步排版审查。
证据：公式(1)中，变量名居然直接输出了Unicode乱码 (&#3627408477;) 以及 &#3627408476;&#3627408477;。正常的学术期刊在接收稿件时，哪怕是最初稿，也不应该出现这种由于字符集解析错误导致的未渲染代码。结合全文毫无实质深度的数学推导，这篇论文极大概率是利用大语言模型（LLM）直接生成并粗劣拼接的“量产型废纸”。
严重程度：🟠

发现 5：图片分析受限说明 - 第一式/第三式

位置：Figure 1 - Figure 4
描述：文本中未提供原始的高清图片信息，仅提供了图片的Caption。基于纯文本分析，无法对其中的“流程图”进行像素级查重。
证据：虽然无法直接看图，但从行文逻辑来看，Fig 3（流程图）与 Fig 4（实验流程图）可能存在极高的信息重复度（通常这两者在神经网络论文中可以合并），但无法确证，仅作存疑。
严重程度：🟡

耿同学辣评

这篇论文堪称“大语言模型时代学术造假的极品标本”。65% 的轴承故障诊断准确率就敢吹“excellent performance”，真当工业界和审稿人没见过深度学习吗？更离谱的是，表格里的数据居然是复制粘贴凑字数的，连换个随机种子重新跑一次的耐心都没有！最搞笑的是参考文献，同一篇文章引用两次，还敢给顶级 IEEE 期刊编造一个不存在的“第2卷第5期”，这哪是在写学术论文，这明明是在写科幻小说！建议作者回去先把 Ctrl+C 和 Ctrl+V 的快捷键屏蔽了再搞科研吧！

建议后续行动

联系作者要求提供实验的原始 Log 日志和代码（特别是解释为何 Table 1 中会出现完全一模一样的多行精度数据）。
建议直接拒稿，或联系接收此文的期刊/会议编辑部通报数据捏造及文献造假问题。
在 PubPeer 上提出质疑（若有 DOI）。
核查该课题组其他论文是否存在类似的“量产型”AI生成及伪造引用行为。

⚠️ 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。

A dynamic graph structure optimization diagnosis