🔍 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 (✉) and Juan Lyu
期刊：文本中未提供期刊名称（会议论文或预印本可能性较大）
DOI：文本中未提供
发表年份：2024年及以后（基于参考文献最新为2024年推断）
论文来源：2351.pdf

综合评定：🔴 实锤

详细发现

发现 1：数据严重复制粘贴（表格虚报实验次数）

位置：Table 1 (Page 10) & Table 2 (Page 10-11)
描述：在 Table 1 和 Table 2 中，作者声称展示了不同超参数设置下的模型性能。然而，逐行比对发现，作者直接将相同参数的运行结果原封不动地复制了多遍，以此来撑起表格的篇幅。
证据：
- Table 1 中，第1、7、11、15、17行（参数为0.01, 250）的 f1_macro 全是 0.8305，accuracy 全是 0.83759（或0.8376）。
- Table 1 中，第2、8、12、16、18行（参数为0.01, 250，可能是不同任务或随机种子，但指标完全一致）的 f1_macro 全是 0.8540，accuracy 全是 0.8665。
- Table 2 中同样存在大面积复制，例如第1、11行完全一样（0.6704, 0.7106）；第9、13、17、19行完全一样（0.6589, 0.6994）。
- 在深度学习实验中，由于随机种子、Dropout等机制的存在，即使参数完全一致，多次运行的结果在小数点后几位也必然会波动。这种小数点后4-5位数字完全一致且大面积重复的现象，唯一的解释就是作者在写论文时按了 Ctrl+C 和 Ctrl+V，试图伪造大量的实验对比。
严重程度：🔴 实锤造假

发现 2：参考文献凭空捏造（撞车编造）

位置：References (Page 13-14)
描述：作者在列举参考文献时，极有可能伪造了文献的卷号、期号和页码，或者直接使用了文献管理软件的自动生成功能但未加核实，导致出现了致命的格式撞车。
证据：
- Reference 2: Wang, Y. et al.: ... IEEE Transactions on Parallel and Distributed Systems 2(5), 99–110 (2023).
- Reference 11: Fu, S. et al.: ... IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023).
- 两篇完全不同的发表在 不同期刊 上的论文，其卷号竟然都是 2(5)，页码竟然都是从 99 到 110，且都是 2023 年！《IEEE Transactions on Parallel and Distributed Systems》是老牌期刊，2023年绝不可能是第2卷第5期。这是典型的抓取错误或编造特征。
- Reference 18: 作者名字出现了明显的低级拼写错误：BBidoki, N. H.（多了一个B）。
严重程度：🔴 实锤学术不端（文献造假）

发现 3：违背常理的“优异”性能

位置：Abstract & Section 4.4 (Page 9)
描述：作者在摘要中声称模型在轴承故障诊断任务中表现出了“excellent performance”（优异的性能），并称其具有“明显优势”。
证据：作者明确写道：“The accuracy of bearing fault diagnosis increased to 65%”。在目前的轴承故障诊断领域（尤其是使用深度学习/GNN），主流模型的准确率通常都在 95% 甚至 99% 以上。65% 的准确率仅仅比盲猜（假设有少量类别）好一点，在工业界根本无法使用。作者将 65% 的低准确率包装成“优异的性能”和“重大突破”，存在严重的夸大结论和误导性陈述。
严重程度：🟠 严重夸大

发现 4：图片缺乏信息无法复现与验证

位置：Figure 1, 2, 3, 4
描述：由于提供的内容仅为文本，我无法进行像素级的图片造假检测（如 Western Blot 拼接、背景噪点比对等）。但在文本模式下，未发现明显的图片说明矛盾。
证据：文本中未提供足够的图片信息，无法进行第一式和第三式的深度分析。
严重程度：🟡 需进一步核查

发现 5：实验设计与论文声称的“动态”不符

位置：Section 3 & Section 4
描述：论文大篇幅强调“Dynamic”（动态图）和“Lifelong learning”（终身学习），但在实验部分（Table 1, Table 2），并没有看到任何关于时间步演变、旧任务遗忘率测试或动态图增长的指标。
证据：实验表格中只有常规分类任务的 Accuracy 和 F1_macro，所谓的“动态”和“终身学习”在实验验证阶段沦为空谈，仅仅是套用了一个静态图分类的壳子。
严重程度：🟠 挂羊头卖狗肉

耿同学辣评

这篇论文可以说是把“复制粘贴”玩到了极致！表格里的数据恨不得一行复制八遍来凑字数，更离谱的是，连参考文献的卷号和页码都能不同期刊撞车，这是把审稿人当傻子，还是把学术出版当成填空题乱写一通？最搞笑的是，把区区 65% 的轴承诊断准确率吹成“优异性能”，怕不是对工业界的实际需求有什么误解。这种“缝合怪”加“Ctrl+C/V”的量产水文，连随机数生成器看了都要直呼内行！

建议后续行动

联系作者要求提供原始数据（特别是解释为什么表格中存在大量完全一致的重复行）
在 PubPeer 上提出质疑（重点曝光参考文献卷号页码撞车的实锤）
向期刊编辑部举报（如果有对应期刊）
核查作者所在课题组（天津科技大学人工智能学院）的其他论文是否存在同样的“文献编造”和“数据复制”模板化量产问题

⚠️ 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