🔍 耿同学打假报告

论文信息

• 标题：MambaAD: Exploring State Space Models for Multi-class Unsupervised Anomaly Detection
• 作者：Haoyang He, Yuhu Bai, Jiangning Zhang, Qingdong He, Hongxu Chen, Zhenye Gan, Chengjie Wang, Xiangtai Li, Guanzhong Tian, Lei Xie
• 期刊/会议：38th Conference on Neural Information Processing Systems (NeurIPS 2024)
• 发表年份：2024
• 论文来源：终极棒的参考文献！.pdf

综合评定：🟡 存疑 (1-2 处轻微异常，建议关注)

详细发现

发现 1：第一/三式缺失（图片无法检测）

• 位置：Figure 1, 2, 3, 4
• 描述：由于仅提供了文本内容，无法获取论文中的原始图片文件（如 Western Blot 条带、可视化结果图等），因此无法进行像素级的一图多用检测和 PS 拼接痕迹检测。
• 证据：文本中仅有图片的说明文字，缺失图像数据。
• 严重程度：🟡 (系统限制，非论文本身问题，需获取原文核实)

发现 2：第五式 - "Mamba 套壳"与"量产型学术"嫌疑

• 位置：Related Work / References
• 描述：文章的引用文献 [18] (DiAD), [50] (ViTAD), [51] (ADER) 均与本论文作者团队高度重合（特别是 Jiangning Zhang, Lei Xie 等）。结合本文提出的 MambaAD，可以看出该团队形成了一套标准的"流水线"作业模式：针对异常检测任务，依次使用了 Transformer (ViTAD)、Diffusion (DiAD)、Mamba (MambaAD) 作为核心模块。
• 证据：
  • Ref 18: "H. He, J. Zhang... L. Xie. A diffusion-based framework... AAAI, 2024."
  • Ref 50: "J. Zhang... L. Xie. Exploring plain vit reconstruction... 2023."
  • 这种"换壳"策略在 AI 领域很常见，虽然不构成学术不端，但属于典型的"蹭热点"（Mamba 刚火就套用）。
• 严重程度：🟡 (学术创新性存疑，但方法有效，不违规)

发现 3：第六式 - 时间线与实验合理性分析

• 位置：Section 4.1 Implementation Details
• 描述：论文声称发表于 NeurIPS 2024。Mamba 模型（Ref 15, arXiv:2312.00752）于 2023 年 12 月发布。NeurIPS 2024 的截稿日期通常在 2024 年 5 月。在 5 个月内，作者完成了 Mamba 底层代码适配、复杂的 Hybrid Scanning (5种方法8个方向) 设计、并在 6 个数据集（包括 Real-IAD 这种大数据集）上跑完所有实验。
• 证据：Real-IAD 包含 150K 图像，训练成本极高。作者称 "conducted on a single NVIDIA TESLA V100 32GB GPU"。要在单卡 V100 上短时间内完成如此大规模的消融实验（Table 2-7），时间线非常紧张。
• 严重程度：🟠 (高产得令人嫉妒，但腾讯优图 + 浙大的算力资源确实强，暂不判定为造假，但存疑)

发现 4：第二式 - 数据过于"完美"（太整齐的方差）

• 位置：Table 1
• 描述：在 MVTec-AD 的结果中，作者给出的 Std（标准差）极其整齐：
  • AU-ROC: 98.6 ± 0.3
  • AP: 99.6 ± 0.2
  • F1_max: 97.8 ± 0.4
  • ...
  • 对比 VisA 数据集：39.4 ± 1.1, 44.0 ± 1.3。
• 证据：多次运行得到的 Std 几乎都在 0.2-0.7 之间，且都精确到一位小数。虽然这在深度学习论文中常见（通常跑 3-5 次取平均），但如此稳定的方差在小样本或复杂任务中较少见。
• 严重程度：🟡 (数据过于漂亮，可能存在选择性报告 Best 结果，或者跑了很多次取最好的一次，建议公开 Log)

发现 5：第四式 - 消融实验数据的巧合

• 位置：Table 5 (Scanning Methods)
• 描述：对比不同的扫描方法，Index 1-4 (Sweep, Scan, Zorder, Zigzag) 的 Image AU-ROC 结果分别为 98.1, 98.0, 98.1, 98.2。这四个数字极其接近，几乎是随机波动的噪声。
• 证据：然而，Index 7 (Hilbert) 突然跳到了 98.6。虽然这用来证明 Hilbert 方法的优越性，但前四个方法的一致性太高，仿佛是在同一组参数下微调了随机种子。
• 严重程度：🟡 (逻辑上能自洽，但数据缺乏自然波动感)

耿同学辣评

这篇论文就是 2024 年 AI 圈"新瓶装旧酒"的典型代表。Mamba 刚出来，大家都在找地方塞，这帮兄弟直接把之前 DiAD、ViTAD 的壳子一换，摇身一变成了 MambaAD，效率是真高，手速是真快。

最有意思的是 Table 5 的消融实验，前面四个扫描方法的成绩像约好了一样挤在 98.0 附近，生怕比 Hilbert (98.6) 抢了风头。另外，建议查查这台单卡 V100 是不是租的超级计算机，能在几个月内用单卡把 Real-IAD 这种百万级数据集的各种组合跑完，这算力利用率怕是突破物理极限了。

建议后续行动

• 联系作者要求提供原始数据（特别是代码和训练日志）
• 在 PubPeer 上提出质疑（主要是关于单卡 V100 的训练时间与数据量的矛盾）
• 向期刊编辑部举报（目前未发现确凿造假，不建议此举）
• 自行复现代码验证结果（代码已开源：https://lewandofskee.github.io/projects/MambaAD）

⚠️ 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。