🔍 耿同学打假报告

论文信息

论文来源：终极棒的参考文献！.pdf
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)
DOI：未提供
发表年份：2024

综合评定：🟠 高度可疑

详细发现

发现 1：数据造假检测（随机数生成器都不如）

位置：Table 5 (Ablations on different scanning methods and directions)
描述：在对比不同扫描方法的消融实验中，出现了极度不自然的恒定数据。
证据：观察 Table 5 中的 Image-level AP (Average Precision) 这一列。在 Index 1 到 Index 4 的四组完全不同的扫描方法（Sweep, Scan, Z-order, Zigzag）下，Image-level AP 的值竟然全部都是 99.4。在保持其他条件不变的情况下，更换特征扫描策略，四个截然不同的实验在同一个评价指标上得到完全相同的数值（连小数点后一位都完全一样），这在真实的深度学习实验中概率极低。这说明该数据极有可能是人为编造的，或者是粗暴复制粘贴后忘记修改。
严重程度：🔴

发现 2：数据造假检测（极度可疑的巧合）

位置：Table 7 (Ablation studies on LSS module's designs)
描述：在不同网络结构配置的对比中，出现了跨指标的高度一致性巧合。
证据：在 Mi=1, Only DWConv 的配置下，对比 k=1,3 和 k=3,5 两组实验。这两组的 Image-level AU-ROC 都是 94.6，Image-level AP 都是 98.0。改变卷积核大小会直接影响特征提取的局部感受野，但在两个核心指标上计算出的均值竟然完全吻合，仿佛是从同一个基线数据复制过来的一样。此外，在 Mi=1, noskip 配置下的 k=3,5 和 DWConv +1x1Conv 配置下的 k=5,7，也出现了高度雷同的数值（95.0/98.3/96.3 和 95.0/98.2/96.0）。
严重程度：🟠

发现 3：图片拼接检测（无法进行像素级分析）

位置：Figure 1, Figure 2, Figure 3, Figure 4
描述：论文包含了网络结构图、扫描方法示意图和异常检测结果可视化图。
证据：由于当前输入为纯文本提取，未提供原始的高分辨率图片文件，无法通过放大查看像素级的拼接边缘、背景噪点突变或 PS 痕迹。但鉴于前面表格数据存在的严重异常，建议获取原始 PDF 或补充材料后，重点复查 Figure 4（定性可视化结果）中的异常热力图是否存在过度平滑或重复套用的痕迹。
严重程度：🟡 (需后续验证)

发现 4：方法学与参考文献异常（量产型学术特征）

位置：Table A5 及全文
描述：论文存在明显的排版粗心和“套娃”式量产写作特征。
证据：
1. 明显的低级排版错误：在 Appendix 的 Table A5、A7、A9 的表头中，SimpleNet 对应的引用编号完全丢失，显示为 SimpleNet []，这在顶会论文的最终版中是不应该出现的低级错误。
2. 幽灵文献：参考文献列表中的第 33 条没有作者和标题，仅仅写着 ICIAP, 2022.，而正文却在讨论重构骨干网络时引用了它 (Transformers[33])。
3. 量产特征：该团队在短时间内分别使用 Transformer (ViTAD)、Diffusion (DiAD) 和现在的 Mamba (MambaAD) 刷遍了同一套数据集，表格的排版和对比基线高度模式化，具有典型的“流水线换模块发论文”特征。
严重程度：🟡

发现 5：时间线与产出异常

位置：Implementation Details & References
描述：基于当前日期（2026-06-02）和论文发表时间进行时间线校验。
证据：论文标注为 NeurIPS 2024，且引用了 2024 年的诸多预印本（如 arXiv:2403.xxxxx 系列）。从时间线上看，使用 ResNet34 预训练模型和 NVIDIA V100 显卡进行 500 epochs 的训练在 2024 年是合理的。在时间线和设备真实性上未发现造假迹象。
严重程度：✅

耿同学辣评

这篇论文的标题霸气侧漏，号称探索了 Mamba 在多类无监督异常检测中的应用，Table 1 的 SoTA 数据看着也很漂亮。但是！耿同学我一翻到后头的消融实验就闻到了一股浓浓的“随机数生成器坏了”的味道。

Table 5 里，你换了 4 种完全不同的扫描策略，Image-level AP 居然像焊死在 99.4 一样一动不动；Table 7 里，换了卷积核大小，出来的 AU-ROC 和 AP 又是复制粘贴般的 94.6 和 98.0。咋地，你们家的 Mamba 是精确到小数点后一位的免疫体质吗？换了模块指标不带变的？

做消融实验不是让大家来找茬的，这种连小数点都懒得改的“完美数据”，很难让人相信是真实的实验跑出来的。建议作者赶紧把跑实验的服务器送去修修，别是显卡坏了一直跑的同一个权重吧！

建议后续行动

联系作者要求提供原始数据（特别是 Table 5 和 Table 7 的原始 log 文件）
在 PubPeer 上提出质疑
向 NeurIPS 2024 组委会或期刊编辑部举报数据可疑点
向作者所在机构（浙江大学、腾讯优图等）学术委员会举报
获取论文原版高清 PDF 进行图片伪造/拼接深度检测

⚠️ 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。

MambaAD: Exploring State Space Models for Multi-class Unsupervised Anomaly Detection