🔍 耿同学打假报告

论文信息

• 标题：A dynamic graph structure optimization diagnosis
• 作者：Zhiyuan Hu, Yangde Lin, Jianrong Li, Juan Lyu
• 期刊：文中未明确标明（疑似会议论文或预印本）
• DOI：文中未提供
• 发表年份：2024年及以后（根据参考文献年份推断，引用了2024年的文献）
• 论文来源：2351.pdf

综合评定：🔴 实锤

详细发现

发现 1：数据大面积复制粘贴（随机数生成器都省了）

• 位置：Table 1 (Page 10), Table 2 (Page 10-11)
• 描述：在表格中，不同超参数设置下的实验结果出现了大量一模一样的数据行。甚至在不同学习率和不同 epoch 数的设置下，得出的 F1 和 Accuracy 竟然精确到小数点后4位完全一致。
• 证据：
  • Table 1 中，第 2 行 (lr=0.01, epoch=250) 的 f1_macro=0.8540, accuracy=0.8665，与第 8 行、第 10 行、第 12 行、第 16 行、第 18 行完全一字不差。更离谱的是，第 10 行的学习率是 0.005，居然跑出了和 0.01 一模一样的四项指标！
  • Table 2 中同样存在此问题，第 2 行数据 (0.7270, 0.7605) 反复出现在第 9、13、15、18、20 行中。
• 严重程度：🔴

发现 2：统计学上的“不可能三角”

• 位置：Table 1, Table 2
• 描述：在深度学习中，由于 dropout（设为0.5）、随机权重初始化和不同的梯度下降路径，即使使用相同的超参数，多次运行的结果也会有小幅波动。而在不同 epoch（如 200 vs 250）和学习率下跑出小数点后四位完全一致的宏平均 F1 值（Macro F1），在统计学上几乎是不可能的。
• 证据：没有任何标准差（SD）或置信区间，全篇只有单一的精确数值。这说明数据极大概率不是模型真实跑出来的，而是人为编造或为了凑篇幅进行的大面积复制粘贴。
• 严重程度：🔴

发现 3：参考文献凭空捏造与“双胞胎”幽灵

• 位置：References (Page 13-14)
• 描述：文末引用的参考文献存在极其明显的伪造和复制粘贴痕迹，卷号、页码严重违背学术常识。
• 证据：
  • 文献 2：IEEE Transactions on Parallel and Distributed Systems 2(5), 99–110 (2023)。TPDS 是老牌顶刊，2023年正常卷号应该是 Vol. 34，哪来的 Vol. 2？
  • 文献 11：IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023)。TII 2023年正常卷号是 Vol. 19，页码又是 99-110？
  • 文献 15：IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023)。文献 15 和文献 11 连标点符号都一模一样！ 连参考文献都能论资排辈搞“连连看”，排版造假实锤。
  • 文献 18：作者名拼错，出现了 BBidoki, N. H.，多打了一个 B，典型的机器自动抓取或手残未校对。
• 严重程度：🔴

发现 4：公式排版乱码暴露低劣加工痕迹

• 位置：Page 8, Formula (1)
• 描述：Focal Loss 公式存在明显的字符编码乱码。
• 证据：公式中出现了诡异的 HTML/Unicode 编码 (�) 以及生硬的 ��。这说明原文大概率是从某个带公式的网页或PDF中强行提取文本转换过来的，作者连最基本的公式重写和校对都没有做，直接把乱码扔给了审稿人。
• 严重程度：🟠

发现 5：实验变量命名违背机器学习常识

• 位置：Page 11 (Parameter explanation for Tables)
• 描述：表格中对参数的解释让人啼笑皆非。
• 证据：文中将参数解释为 Annual_epochs (每年的训练周期数) 和 Annual_lr (年度学习率调整)。但在整个轴承故障诊断和图神经网络的语境中，根本不存在“年度”这个时间维度，训练通常按小时/分钟计算。这极有可能是作者直接照搬（Copy-paste）了某个基于金融、气象或年度统计数据的其他论文模板，却忘记修改变量名称。
• 严重程度：🟠

发现 6：图片信息缺失声明

• 位置：全文图表
• 描述：文本中未提供足够的图片像素级信息，无法进行 Western blot 或显微图的 PS 痕迹检测。但仅从 Fig. 3 的描述和常理推断，其流程图逻辑较为模板化。
• 严重程度：🟡（需警惕）

耿同学辣评

这篇论文简直是“Ctrl+C 和 Ctrl+V 键盘冒烟”的典范！参考文献两对双胞胎（Ref 11 & 15）含情脉脉地对视，表格里的数据像是复制粘贴不要钱，换个学习率都能跑出小数点后四位一模一样的“神仙结果”。连 Focal Loss 的公式都带着网页乱码的“原汁原味”，更别提那个不知所云的“年度学习率”了。如果连参考文献卷号和实验数据都是“科技与狠活”，那这篇论文的创新点大概就是发明了“不需要随机种子的深度学习”吧！

建议后续行动

• 在 PubPeer 上提出质疑（附上 Table 数据连连看和 Ref 造假的铁证）
• 联系作者要求提供原始代码、Log 记录和跑模型的随机种子（看看他们怎么圆不同参数结果一致的问题）
• 向期刊编辑部举报（重点关注伪造引用和数据抄袭问题）
• 建议核查该团队近年来的其他论文，可能存在“量产型”灌水造假流水线

⚠️ 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。