🔍 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：NeurIPS 2024 (38th Conference on Neural Information Processing Systems)
发表年份：2024

综合评定：✅ 清白

核心结论：
经过耿同学六式严查，虽然发现了几处排版和引用的“强迫症”痛点，但论文的核心数据逻辑自洽，表格计算无误，方法与创新点（Hilbert扫描）描述清晰。在无法看到原始图片像素的前提下，基于文本分析，该论文未发现明显的数据造假或系统性学术不端痕迹，属于一篇扎实的计算机视觉顶会论文。

详细发现

发现 1：引用文献信息缺失（幽灵文献）

位置：References -> Reference [33]
描述：参考文献 [33] 的格式严重异常，仅包含会议名和年份，缺失作者、文章标题等关键信息。

[33] ICIAP, 2022.
证据：标准学术引用应包含作者和标题。对比上下文，[33] 被用于支撑 Reconstruction-based 方法中的 Transformers 应用，但该条目本身毫无信息量，可能是导入 BibTeX 时的格式错误或漏填。
严重程度：🟡 (属于写作疏漏，不影响核心实验，但在顶会中显得不够严谨)

发现 2：表格拼写错误（手滑实锤）

位置：Table 1
描述：表格标题的首行出现拼写错误，将 "Dataset" 拼写为了 "Dateset"。

Dateset Method
证据：拼写错误属于常见的手滑现象，但也反映了校对环节的疏忽。
严重程度：🟡 (轻度强迫症警告)

发现 3：缺乏统计显著性检验（p值缺失）

位置：Table 1 (Main Results)
描述：论文在 Table 1 中报告了 Mean ± SD (标准差)，并在正文中声称达到了 SOTA (State-of-the-Art)，但并未提供与对比方法（如 DiAD, UniAD）之间的统计显著性检验结果（如 p-value）。
证据：虽然提供了标准差（如 MVTec-AD 上 MambaAD 98.6±0.3 vs DiAD 97.2），单纯看均值确实领先，但在严格的机器学习实验中，加入显著性检验会让 SOTA 的声明更有底气。不过，鉴于提升幅度较大，且该领域普遍不强制要求 p-value，此处仅作为方法学严谨性的建议。
严重程度：🟡 (建议改进项)

发现 4：内部数据一致性极高（正面信号）

位置：Table 1 vs Table A1/A2/A11
描述：主表中的均值数据与附录（Appendix）中各类别数据计算出的均值完全吻合。
证据：
- 验证 MVTec-AD (Table 1 MambaAD Mean): 附录 Table A1 中各类目 MambaAD Image AU-ROC 均值计算约为 98.61，Table 1 报告 98.6，四舍五入一致。
- 验证 Real-IAD (Table 1 MambaAD Mean): 附录 Table A11 中 30 个类目的 Image AU-ROC 求和为 2588.9，除以 30 约为 86.296，Table 1 报告 86.3，一致。
- 这种数据一致性通常排除了后期单独篡改主表数据的可能。
严重程度：✅ (清白信号)

发现 5：单类别实验结果的坦诚度

位置：Section 4.2 (Comparison with SoTAs)
描述：作者在正文中坦承，在 Single-class 设置下（Table A13），他们的方法在 Image-level 上不如 PatchCore 和 SimpleNet（MambaAD 98.7 vs PatchCore 99.2）。
证据：造假者通常会为了圆谎而修改数据让所有指标都第一，或者在论文中刻意隐瞒不占优的对比。作者此处大方承认单类别不如专门的方法，并解释其优势在多类别，这种坦诚增加了论文的可信度。
严重程度：✅ (清白信号)

限制说明：图片复用与拼接检测（第一、三式）

描述：由于本次分析仅基于 PDF 提取的文本和表格数据，未获得 Figure 1-4 及附录图片的高清像素级原图，因此无法进行 Western Blot 式的“图片翻转、裁剪、噪点分析”。
说明：在计算机视觉领域，结构图（Fig 1-3）通常由代码生成，定性结果图（Fig 4）若造假极易被领域专家看出画质异常，但在无原图的情况下不宜妄加推测。

耿同学辣评

这届同学可以的，数学算得比计算器还准，附录里的 Mean 加起来竟然跟主表严丝合缝，看来是拿真实数据跑出来的，比那些小数点随便写的强多了！

不过，Reference [33] 写成 [33] ICIAP, 2022. 是几个意思？这篇论文是 ICIAP 的精神续作吗？连个标题都不给，难道是传说中的“不可见文献”？还有 Table 1 的 "Dateset"，建议下次投稿前用用拼写检查，毕竟咱们搞的是 SOTA，不是 Date SOTA。

总体来说，这篇基于 Mamba 做异常检测的工作逻辑通顺，承认 Single-class 不如别人这点我很欣赏，比那些满嘴跑火车的论文靠谱多了。

建议后续行动

宽容对待 typo 和引用缺失
建议作者更新 arXiv 版本，修正 Reference [33] 的信息
建议作者在代码仓库中提供完整的配置文件以供复现

⚠️ 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