🔍 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：文本中未明确标明期刊名称（疑似会议论文或预印本）
DOI：未提供
发表年份：基于参考文献推测为 2024 年及以后

综合评定：🔴 实锤

详细发现

发现 1：第六式 - 参考文献“ phantom（幽灵）”卷号与页码

位置：References [2], [11], [15]
描述：论文引用的参考文献中，存在极其明显的伪造或“复制粘贴”痕迹，三篇声称发表在不同顶级 IEEE 期刊上的文献，竟然拥有完全一致的卷号、期号和页码。
证据：
- Ref [2]: Wang, Y. et al.: ... IEEE Transactions on Parallel and Distributed Systems 2(5), 99–110 (2023).
- Ref [11]: Fu, S. et al.: ... IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023).
- Ref [15]: 与 Ref [11] 完全一致，重复引用。
- 注：IEEE TII 和 TPDS 都是老牌期刊，2023年的卷号绝对不可能是“Volume 2”。例如，IEEE TII 在 2023 年已经是第 19 卷。这种不同期刊、不同作者却共享完全相同的“2(5), 99-110”的现象，属于典型的编造参考文献元数据（极可能是用同一个虚假模板生成的）。
严重程度：🔴

发现 2：第二式/第四式 - 实验数据“复制粘贴”痕迹严重

位置：Table 1 & Table 2
描述：实验结果表格充满了大量完全重复的行，不自然且不合逻辑。正常的超参数扫描实验不可能产生如此多完全一致的数字。
证据：
- 在 Table 1（共 20 行）中，超参数设置 0.5, 3, 0.01, 250, 0.01, 250 及其对应的结果 (0.8305, 0.83759) 和 (0.8540, 0.8665) 整整重复了 6 次（第1, 4, 6, 8, 9, 10行）。
- Table 2（共 22 行）中，超参数 0.5, 3, 0.01, 250, 0.01, 250 及结果 (0.6589, 0.6994) 和 (0.7270, 0.7605) 也原封不动地重复了 5 次。
- 这种表格通常是用脚本生成或为了凑版面进行的人为复制，缺乏真实实验应有的随机性和多样性。
严重程度：🔴

发现 3：第二式 - 违背常理的“优异”性能吹嘘

位置：Abstract & Section 4.4 (Page 9)
描述：作者在摘要和正文多次强调其 DG-SOD 模型具有“excellent performance”（优异的表现）和“强大性能”，但给出的轴承故障诊断准确率竟然只有 65%。
证据：
- 原文：“the accuracy of bearing fault diagnosis increased to 65%... showed excellent performance”
- 在当前的故障诊断领域（尤其是使用广泛的开源数据集如 CWRU），主流深度学习模型（CNN, GNN）的准确率通常在 95% 甚至 99% 以上。65% 的准确率甚至不如盲猜（某些多分类任务中），却被宣称为“优异表现”和“重大突破”（major breakthrough），存在严重的夸大其词和误导性陈述。
严重程度：🟠

发现 4：第六式 - 摘要与正文数据自相矛盾

位置：Abstract vs Table 1
描述：摘要中声称的 Baseline 性能与实验表格中体现的数据严重不符。
证据：
- 摘要声称：“accuracy of Core node classification increased from 76% to 86.65%”
- 表格 1 显示，即使是性能最差的行（如第 5 行），其 Accuracy 也达到了 0.8329 (83.29%)。
- 既然 Baseline 在表格中已经达到了 83% 左右，摘要中声称的“从 76% 提升”就是无稽之谈。这说明作者在拼凑文本时，摘要和实验结果可能是由不同的人编写的，或者直接沿用了某个旧版本的草稿。
严重程度：🟠

发现 5：第三式/第一式 - 图片无法进行像素级分析

位置：全文图片
描述：由于输入仅提供文本，无法对 Figure 1-4 进行像素级伪造检测（如 Western Blot 拼接、背景噪点异常等）。但根据其参考文献和数据的造假程度，图片的真实性同样应受到高度怀疑。
严重程度：🟡 (待定)

耿同学辣评

这篇论文简直是“学术缝合怪”的极致之作！把几个热门词汇（GNN、Focal Loss、轴承诊断、终身学习）一锅炖了不说，连参考文献的“卷号页码”都懒得改，两篇不同的顶刊论文竟然共享 2(5), 99-110 这种身份证号。最让人啼笑皆非的是，轴承诊断准确率区区 65%，作者居然好意思大言不惭地吹嘘这是“excellent performance”和“重大突破”。这要是算突破，那随机数生成器都能拿诺贝尔奖了！这种连表格复制粘贴都嫌麻烦、直接拿读者当傻子的论文，建议直接送去学术回收站。

建议后续行动

联系作者要求提供原始数据（特别是查清 65% 准确率为何被吹嘘为优异表现）
在 PubPeer 上提出质疑
向期刊编辑部举报（特别是虚假伪造的参考文献问题）
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。

A dynamic graph structure optimization diagnosis