🔍 耿同学打假报告

论文信息

• 论文来源：2351.pdf
• 标题：A dynamic graph structure optimization diagnosis
• 作者：Zhiyuan Hu, Yangde Lin, Jianrong Li (✉), Juan Lyu
• 期刊：文本中未标明具体期刊（疑似会议论文或预印本）
• DOI：文本中未提供
• 发表年份：2024年及以后（基于文中引用了2024年的参考文献）

综合评定：🔴 实锤（确凿的造假与极低级学术敷衍证据）

详细发现

发现 1：数据大面积复制粘贴，Dropout形同虚设（第二式：数据造假）

• 位置：Table 1, Table 2
• 描述：在表1和表2中，作者声称展示了模型在不同超参数下的性能。然而，表格中存在大面积一模一样的数据行。
  • 表1中，超参数组合 (lr=0.01, epoch=250) 的结果 (0.8305, 0.83759) 和 (0.8540, 0.8665) 被原封不动地复制粘贴了至少4次。
  • 表2中，超参数组合 (lr=0.01, epoch=250) 的结果 (0.6589, 0.6994) 和 (0.7270, 0.7605) 也被重复粘贴了4次。
• 证据：在深度神经网络中，作者明确设置了 dropout=0.5。在如此高的随机失活率下，进行多次独立的训练或测试，其评价指标（Accuracy, F1）精确到小数点后4位甚至5位完全相等的概率为0。这直接证明了数据是人工编造并使用“复制粘贴”强行填充表格以凑篇幅。
• 严重程度：🔴

发现 2：违背常理的“双轨制”伪造数据（第二式/第四式）

• 位置：Table 1, Table 2
• 描述：正常情况下，改变学习率和Epoch，模型的性能应该呈现一种连续的波动或趋势。但作者伪造的数据呈现出非常刻板的“双轨制”模式。
  • 在表1中，无论怎么改参数，Accuracy永远只有两套固定的档位：要么是 0.837左右，要么是 0.866左右。F1分数同理。
  • 说明作者极大概率只跑了两次实验（或者只编造了两组数据），然后随机分配给了表格中不同的超参数设置。
• 证据：表格中不同设置下的结果缺乏统计学上的方差，完全不符合机器学习实验的客观规律。
• 严重程度：🔴

发现 3：复制粘贴没改干净，参考文献造假/雷同（第六式：引用异常）

• 位置：References (参考文献列表)
• 描述：参考文献存在严重的胡乱拼接和复制粘贴痕迹。
  • Ref 2 和 Ref 11 及 Ref 15：
    • Ref 2: IEEE Transactions on Parallel and Distributed Systems 2(5), 99–110 (2023)
    • Ref 11: IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023)
    • Ref 15: Few-Shot Learning With Dynamic Graph Structure Preserving. IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023).
  • 不同的论文，不仅卷号(2)、期号(5)、页码(99-110)完全一致，连年份(2023)都一样。更有甚者，Ref 11 和 Ref 15 的作者、标题完全一致，作者却把它们当成了两篇不同的文献引用。
• 证据：典型的AI幻觉生成参考文献，或者粗制滥造的造假行为。
• 严重程度：🔴

发现 4：排版敷衍，公式出现严重乱码（第六式：方法学异常）

• 位置：Section 3.4 (Loss function...)
• 描述：核心损失函数的公式（文中标记为公式1）直接显示为未解析的HTML转义字符和Unicode乱码：(�)=− (1−�) ��。
• 证据：连最基本的公式编译和排版检查都没有做，直接把带有乱码的文本提交了上来，说明作者态度极度敷衍，极有可能是利用某些文本生成工具简单拼凑后未做任何人工校对。
• 严重程度：🟠

发现 5：违背常理的学术吹嘘与自相矛盾（第五式/第六式）

• 位置：Abstract & Section 4.4
• 描述：在摘要和实验结果部分，作者声称：“the accuracy of bearing fault diagnosis increased to 65%... showed excellent performance (展现了卓越的性能)”。
  • 轴承故障诊断是一个高度成熟的研究领域，目前基于深度学习的准确率普遍在95%以上。65%的准确率在业内属于极差的性能（甚至不如简单的支持向量机），但作者却将其定性为“excellent performance”和“obvious advantages”。
  • 摘要中声称“Core node classification increased from 76 % to 86.65 %”，但全文根本没有名为“Core”的数据集，只有“Cora”数据集，且文中也找不到76%这个对比基线的来源，出现了严重的拼写错误与逻辑断层。
• 证据：对自身领域的常识性指标缺乏基本认知，符合“灌水论文”或“AI自动生成论文”胡乱套用吹嘘模板的特征。
• 严重程度：🟠

耿同学辣评

这篇论文简直是“Ctrl+C和Ctrl+V的集大成者”。表格数据复制粘贴连小数点后四位都不带变的，以为加上Dropout=0.5就能掩盖随机数发生器没电了的事实吗？连公式都能直接贴出一堆乱码�，参考文献连卷号页码都懒得改就硬造。65%的准确率硬吹成“卓越的性能”，我看你们不是在做故障诊断，你们本身就是学术界最大的“故障”。把这种漏洞百出、连校对都不做的文本拿出来，是把审稿人当傻子，还是把学术发表当儿戏？

建议后续行动

• 拒稿处理（如仍在审稿阶段）
• 联系作者要求提供原始数据（尤其是代码和训练日志）
• 在 PubPeer 上提出质疑
• 向作者所在机构（天津科技大学 人工智能学院）学术委员会举报

⚠️ 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。