🔍 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：文本中未提供
发表年份：2024

综合评定：✅ 清白

详细发现

发现 1：图片复用与拼接检测（一图多用 & PS 痕迹）

位置：文本中未提供足够的图片信息，无法进行像素级分析
描述：本报告基于纯文本生成。由于缺乏原始的高清图片文件（Figure 1-4, Appendix Figures），无法检测 Western blot 条带、显微镜图或流式细胞图中常见的背景噪点克隆、旋转复用或垂直拼接痕迹。
证据：在计算机视觉领域的论文中，图片造假多表现为生成样本的重复使用或伪造可视化结果。从 Figure 4 的文本描述来看，提供了多组对比结果，且作为 NeurIPS 论文，通常接受严格的视觉审查。
严重程度：🟡（无法验证，但暂无异样）

发现 2：数据造假检测（随机数生成器检测）

位置：Table 1, Table 2, Table 7
描述：对论文中的核心定量数据进行了末位数字分布和标准差（SD）分析。深度学习实验由于受随机种子、初始化等因素影响，通常会有合理的波动。
证据：
1. 误差线合理性：Table 1 中，作者报告了 ± 标准差（如 98.6±0.3, 59.2±0.6）。这些误差值在 0.2 到 1.3 之间波动，符合真实训练中不同 run 之间的正常方差，未出现"全部误差一致"的造假特征。
2. 末位数字分布：查看 Table 7 末位数字（.0, .7, .8, .6, .3, .9 等）和 Table 4 末位数字，分布较为均匀（0-9 均有出现），没有出现大量集中在 0/5 的情况，排除了人为编造数据的嫌疑。
3. 完美数据：Table A1 中出现多处 100./100./100.，但在异常检测领域（如 MVTec-AD 的 Bottle 类别），由于任务简单，多个方法（RD4AD, SimpleNet, PatchCore）都能达到满分，这是该领域的常态，不属于异常。
严重程度：✅ 未触发红旗

发现 3：统计学异常检测

位置：Table 1, Table 5
描述：检查指标提升的显著性和 p-hacking 迹象。
证据：
- 计算机视觉论文通常不报告具体的 p 值和 ANOVA 结果，而是看绝对性能提升。
- 作者在 Table 5 的消融实验中展示了不同扫描方法的结果（98.1, 98.0, 98.1, 98.2），提升幅度非常微弱（甚至在误差范围内），这种"诚实地报告微弱提升/持平"的做法，恰恰是真实实验的体现。造假者往往会让每一种变体都产生明显的、人为的阶梯式提升。
严重程度：✅ 未触发红旗

发现 4：产出异常检测（量产型学术 & 时间线逻辑）

位置：参考文献与论文发表时间
描述：验证研究的时间线是否合理，是否存在"蹭热度"或"时空穿越"。
证据：
- 时间线合理性：Mamba（S4 架构的变体）在 2023 年底（2023.12.01）爆火。视觉 Mamba（如 VMamba, Vision Mamba）在 2024 年 1 月涌现。本论文投稿至 NeurIPS 2024（通常截止日期在 5 月中旬）。作者在短短 3-4 个月内完成了将 Mamba 应用于多类无监督异常检测的构思、实验和论文撰写。
- 结论：虽然速度极快，属于典型的"顶级会议抢首发"行为，但时间逻辑完全自洽。腾讯优图实验室与浙大团队有强大的算力和研究基础，这种产出速度在 CV 领域的顶会竞争中是合理的。
严重程度：✅ 未触发红旗（属于学术界的"正常竞速"）

发现 5：引用与方法学异常

位置：Table A5 (Appendix)
描述：检查文本内部矛盾、试剂设备是否穿越、引用是否支持观点。
证据：
- 排版瑕疵：在 Table A5 的标题中，SimpleNet 的引用格式出现了错误：SimpleNet []，缺失了文献编号 [30]。这是一个明显的 LaTeX 语法或排版疏忽，但不构成学术不端。
- 时间线：文中引用的 DiAD [18] (AAAI 2024)、VMamba [29] (arXiv 2401) 等均为近期工作，未出现引用晚于 NeurIPS 2024 截稿日期的"未来文献"。
- 代码开源：摘要中承诺代码已开源于 GitHub，这在 CV 领域是极大的加分项，敢于开源的论文通常经得起复现，造假风险极低。
严重程度：🟡（存在一处轻微的排版错误 SimpleNet []）

耿同学辣评

这是一篇标准的、高质量的"卷王"产物。从 2023 年底 Mamba 爆火到 2024 年 NeurIPS 截稿，作者团队以极快的速度完成了一篇缝合了 Mamba、Hilbert 扫描、多尺度特征融合的万字长文。

虽然没有发现数据造假，但我必须吐槽一下：你们看看 Table 5 里的消融实验结果，Sweep 是 98.1，Scan 是 98.0，Zigzag 是 98.2，最后选了 Hilbert 是 98.6。这效果提升得就跟没提升一样，全在误差允许的边缘疯狂试探！结论：这篇论文没造假，但它用严谨的数据证明了不同扫描方式在 2D 图像上其实没啥大区别（笑）。

不过，敢于放出 ± 标准差并且开源代码的行为，值得那些只画柱状图不敢给误差线的灌水论文学习。

建议后续行动

无需联系作者，文章看起来非常清白。
（可选）可以发邮件提醒作者修改 Appendix Table A5 中缺失的引用标号 []。

⚠️ 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