MambaAD: Exploring State Space Models for Multi-class Unsupervised Anomaly Detection
2026-08-06 15:10
🔍 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 (文本提取)
综合评定：✅ 清白
详细发现
根据“耿同学六式”的严格筛查，这篇论文在数据逻辑、实验严谨度和时间线上均表现出了极高的规范性。以下是具体分析：
发现 1：数据完整性检测（数据造假检测）
- 位置：Table 1 / Appendix Tables A1-A16
- 描述：本论文提供了详尽的实验数据，且在核心表格（Table 1）中报告了标准差（±），这是很多“灌水”论文试图回避的。
- 证据：
- 末位数字随机性：观察 Table 1 中 MambaAD 的数据，98.6±0.3, 99.6±0.2, 56.3±0.7 等，末位数字分布自然（6, 6, 8, 7, 3, 2, 1），没有出现人造数据常见的“过多0/5”或“连号”现象。
- 均值与标准差的数学自洽：计算 Table A1 (Appendix) 的平均值，Image-level AU-ROC 加总约为 1479.2，除以 15 个类别得到 98.61%，与 Table 1 中报告的 98.6% 吻合，且标准差 0.3 的量级与不同类别（Bottle 100, Hazelnut 86.4 等）的波动范围相符。
- 对比数据的合理性：在与 DiAD [18]（作者自己的前作）对比时，MambaAD 并非在所有细分类别都碾压，例如在 Table A1 的 Hazelnut 类别，DiAD 得分为 99.5，MambaAD 为 100；而在 Table 3 类别，DiAD 为 99.5，MambaAD 为 96.3。这种有来有回的对比比“全面吊打”更具可信度。
- 严重程度：🟢 (正面指标)
发现 2：统计学规范检测（统计学异常检测）
- 位置：Table 1
- 描述：论文展示了严谨的统计置信度。
- 证据：Table 1 中多类别设置下的结果均带有标准差（如 VisA 数据集上的 94.3±0.4）。这表明作者进行了多次独立实验，并非只挑了一次最好的“Cherry-picking”结果。
- 严重程度：🟢 (正面指标)
发现 3：时间线逻辑检测（引用与方法学异常）
- 位置：References & Header
- 描述：论文的发表时间线与引用的参考文献完全吻合。
- 证据：
- 论文发表于 NeurIPS 2024。
- 引用的前作 DiAD [18] 标注为 AAAI 2024。通常 AAAI 2024 的论文在 2023 年底即可获得，NeurIPS 2024 引用 AAAI 2024 符合学术时间线。
- 引用的 Mamba 基础论文 [15] 为 arXiv 2312（2023年12月），这也符合 Mamba 技术在 2024 年大爆发的背景。没有引用“来自未来”的论文。
- 严重程度：🟢 (正面指标)
发现 4：图片与文本匹配度（图片复用检测）
- 位置：全文
- 描述：受限于输入文本，无法进行像素级分析，但文本描述逻辑自洽。
- 证据：文中提到“Fig. (a)”、“Tab.”等由于文本提取原因缺失编号，但从上下文逻辑（如描述 Mamba decoder 的结构）与对应的公式（Eq. 1-9）推导，方法论描述清晰，未见明显的图文不符迹象。
- 严重程度：🟢 (文本提取导致的格式缺失，非造假)
发现 5：消融实验逻辑（数据造假检测）
- 位置：Table 2, 3, 4
- 描述：消融实验的设计和结果变化非常细腻。
- 证据：在 Table 4 中，探究 Backbone 的影响时，ResNet18, ResNet34, ResNet50, WideResNet50 的参数量和 FLOPs 均有显著变化。特别是 ResNet50 的 Params(M) 突增至 251.0，FLOPs 增至 60.3，这与网络结构常识一致（ResNet50 采用 Bottleneck，参数量通常大于 ResNet34）。如果是编造数据，往往难以准确模拟不同网络架构下的计算量变化。
- 严重程度：🟢 (正面指标)
耿同学辣评
这篇论文简直是一股清流！不仅老老实实地给出了标准差（±），没有搞什么“完美数据”，而且连自己前作的模型（DiAD）在某些子项上比不过竞品都敢老老实实列出来。虽然没看到图（PDF提取的锅），但看这数据的粗糙度和消融实验的颗粒度，这绝对是正经干活做实验的好学生，不是靠随机数生成器炼丹的“神仙”。
建议后续行动
- 无需联系作者要求原始数据。
- 无需在 PubPeer 上提出质疑。
- 建议大家学习这篇论文的表格排版，特别是标准差的报告方式。
⚠️ 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。
(注：本次检测基于提供的文本内容，未获取原始图片文件进行像素级查重)