🔍 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：🟡 存疑

详细发现

发现 1：文本与表格数据自相矛盾（心不在焉的写作）

位置：Section 4.2 (Comparison with SoTAs) 文本描述与 Table 1
描述：作者在正文中声称其 MambaAD 模型在 MVTec-AD 数据集上的 Image-level 指标达到了 98.6/99.6/97.6。然而，查看 Table 1 中 MambaAD 那一行的实际数据，第三个 Image-level 指标（F1_max）赫然写着 97.8±0.4，而不是正文里的 97.6。
证据：
- 正文原话："reaches a new SoTA to 98.6/99.6/97.6 and 97.7/56.3/59.2/93.1..."
- Table 1 MambaAD 行："98.6±0.3 99.6±0.2 97.8±0.4 97.7±0.4 56.3±0.7 59.2±0.6 93.1±0.3"
严重程度：🟡
分析：这属于典型的“复制粘贴翻车”或“修改数据后忘了改正文”的低级错误。虽然 0.2 的差异不影响其 SOTA 的结论，但这种核心摘要和正文数据对不上的粗心程度，让人对该论文其他数据的严谨性打上一个问号。

发现 2：参考文献格式崩坏（复制粘贴的痕迹）

位置：References [33] 以及 Appendix 中的多个表格标题
描述：在参考文献列表中，文献 [33] 的引用信息残缺不全，仅写了 "ICIAP, 2022."，缺失了作者、文章标题等关键信息。此外，在 Appendix 的 Table A5 和 Table A9 的表头中，SimpleNet 的引用标注竟然显示为空的方括号 SimpleNet []，而正确的应该是 [30]。
证据：
- 参考文献列表：[33] ICIAP, 2022.
- Table A5/A9 表头：SimpleNet []
严重程度：🟡
分析：这说明论文在定稿和排版时非常仓促。连基础的参考文献校对都没有做，这符合“量产型学术”中为了赶 DDL 而忽视细节的特征。

发现 3：异常完美的满分数据（过拟合还是挑软柿子捏？）

位置：Appendix Table A1
描述：在 MVTec-AD 的多类异常检测对比中（Table A1），MambaAD 在 Bottle, Hazelnut, Metal Nut, Leather 等四个类别上，其三项 Image-level 指标（AU-ROC/AP/F1_max）均达到了极其罕见的完美分数 100.0/100.0/100.0。
证据：Table A1 中 MambaAD (ours) 列，Bottle、Hazelnut、Metal Nut、Leather 的数据均为 100.0/100.0/100.0。对比其他方法（如 UniAD, DiAD）在这些类别上虽然也高，但很少出现三项同时满分的“教科书式”完美。
严重程度：🟠
分析：在多类（Multi-class）统一模型设定下，能在多个类别上同时拿到满分 AUROC、AP 和 F1，说明模型极有可能在这些特定类别上发生了严重的过拟合，或者作者在报告数据时“挑选”了表现最好的种子。虽然不是实锤造假，但这种“好到不真实”的数据在实际工业落地中往往经不起推敲。

第四式：统计学异常检测（均值计算校验）

位置：Appendix Table A1
描述：为了验证数据是否属于随机捏造，对 Table A1 中 MambaAD 的 Image-level AUROC 进行了均值复核。
校验过程：将 15 个类别的 AUROC 相加（100+98.8+94.4+100+99.9+97.0+94.7+98.3+100+99.3+99.8+100+100+98.2+98.8），总和为 1479.2。除以 15 得到 98.6133...。
证据：Table 1 中报告的 Mean 为 98.6。
严重程度：✅
分析：四舍五入计算完全自洽，说明表格中的宏观数据大概率是根据细项真实计算得出的，并非通过随机数生成器胡乱填写的宏观数据。

第一式 & 第三式：图片复用与拼接检测

位置：全文图片
描述：文本中未提供原始的高清图片像素信息，无法进行像素级分析（如检测 Western blot 条带、PS 痕迹或旋转复用）。仅从插图来看，深度学习框架图和可视化结果图均为常规的矩阵热力图和网络结构示意图，无明显结构异常。

耿同学辣评

“好家伙，Mamba 套个壳就能刷榜，正文和表格的数据居然还能错位（97.6 vs 97.8），写论文的时候是不是边跑脚本边看直播啊？连参考文献都能空着交差，NeurIPS 的审稿人们现在连排版都不看就直接给过啦？虽然没抓到什么数据制造的‘大瓜’，但这粗心大意的态度，一看就是赶工期的‘套路型’缝合怪论文！”

建议后续行动

关注正文与表格的数据不一致问题（97.6 vs 97.8），确认是笔误还是数据更新错误。
建议作者开源代码和完整的运行日志，以验证其在多个子任务上达到 100% 满分是否具有普适性。
在 PubPeer 上提出质疑（针对排版和笔误问题）。
要求作者补充完整的参考文献 [33] 信息。

⚠️ 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