🔍 耿同学打假报告

论文信息

标题：Unified Anomaly Detection methods on Edge Device using Knowledge Distillation and Quantization
作者：Sushovan Jena, Arya Pulkit, Kajal Singh, Anoushka Banerjee, Sharad Joshi, Ananth Ganesh, Dinesh Singh, Arnav Bhavsar
期刊：Preprint submitted to Elsevier (投稿日期：2024年7月4日)
机构：Indian Institute of Technology, Mandi & Hitachi India Pvt. Ltd
论文来源：边缘部署对比.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：核心基准数据前后矛盾（数学与逻辑异常）

位置：Table 2 vs Table 3 / Table 5 / Table 6
描述：论文在 Table 2 中声称 Reverse Distillation (RD) 的 15-class 模型（未量化 FP-32）的 Mean AUROC 为 0.95。然而，在后续所有关于部署和量化的表格（Table 3, Table 5, Table 6, Table 7）中，同一个 RD 15-class FP-32 模型的 Mean AUROC 却神秘地变成了 0.96。
证据：AUROC 是基于模型输出的排名指标，同一个模型在不同的推理后端或设备上，其预测排序不应发生改变，因此 AUROC 必须绝对一致。0.95 到 0.96 的突变说明：要么作者中途偷偷换了模型重跑却没有统一结果，要么数据经过了人为的“四舍五入”甚至编造。
严重程度：🔴 实锤（核心基准数据不自洽）

发现 2：文本描述与表格数据存在无法解释的算术冲突

位置：Section 4.4 (第11页)
描述：作者在文中写道：“random normal data calibration has resulted in a significant boost in performance of 8% and 15% for STFPM and RD over calibration with training data”（随机正态数据校准相比训练数据校准，为 STFPM 和 RD 分别带来了 8% 和 15% 的显著性能提升）。
证据：让我们看看 Table 4 中的实际数据：
- STFPM：0.75 提升至 0.83，提升幅度为 0.08（即 8%），符合描述。
- RD：0.50 提升至 0.75，提升幅度为 0.25（即 25%）！
  作者居然把 25% 的巨大差异算成了（或写成了）15%。这种文本与数据的严重脱节，是典型的“数据造假/篡改后忘记修改正文”或“闭着眼睛写结论”的红旗。
严重程度：🔴 实锤（算术错误/数据图文不符）

发现 3：量产型学术与 Ctrl+C / Ctrl-V 痕迹

位置：Table 7 vs Table 3
描述：Table 7 汇总了整体对比数据，但在 RD FP-32 的推理时间上出现了数据的低级错漏。
证据：在 Table 3 中，RD 在 Jetson 设备上的推理时间为 166.60 ms。但在 Table 7 的 FP-32 列中，这个数据变成了 66.60 ms。作者在拼凑大表格时，极大概率发生了复制粘贴漏选首位数字的情况。这表明作者对数据的处理极其不严谨，缺乏基本的核对。
严重程度：🟠 高度可疑

发现 4：违背物理常识的量化恢复率

位置：Table 6
描述：作者在 Table 6 中展示了 Quantization-Aware Training (QAT) 的结果，声称经过 QAT 微调后的 INT-8 量化模型能恢复到 FP-32 的性能。
证据：对于 RD 模型，FP-32 的 AUROC 为 0.96，经过 QAT 量化为 INT-8 后，AUROC 依然精确地停留在 0.96。在深度学习中，将 32 位浮点数强行截断为 8 位整数，必然会造成信息损失，导致预测概率的微小变动。在如此复杂的异常检测任务中，量化前后的 AUROC 精确到小数点后两位完全一致，过于“完美”，缺乏真实实验应有的噪声。
严重程度：🟡 存疑（可能确实极巧合，但在本篇漏洞百出的语境下显得十分刻意）

发现 5：极其敷衍的参考文献引用

位置：References [17]
描述：作者在文中写道“...use of U-net [17]...”，将 [17] 作为 U-Net 的引用。
证据：查看参考文献列表，[17] 的内容是：“W. Weng, X. Zhu, Inet: Convolutional networks for biomedical image segmentation, IEEE Access 9 (2021)”。这明显是一篇关于 "Inet" 的论文，而不是发明 U-Net 的经典论文（应为 Ronneberger 等 2015 年的 MICCAI 论文）。作者连深度学习最基础的网络结构引用都能瞎引，暴露出其文献综述和写作过程极度不严谨。
严重程度：🟡 存疑（写作态度极度敷衍）

发现 6：时间线微妙的巧合

位置：第 19-20 页 References
描述：参考文献 [21], [22], [23], [24], [25], [26] 的访问时间全部为“accessed July 1st, 2024”。
证据：论文的提交时间是“July 4, 2024”。在提交前 3 天集中访问了 6 个不同的代码库和文档链接，这暗示作者可能在投稿前夕仓促补写或修改了方法学部分，甚至可能是在短时间内集中“赶工”拼凑出了这篇论文。
严重程度：🟡 存疑

耿同学辣评

这篇论文简直是“薛定谔的实验数据”：单类和多类对比时精度是 0.95，一到部署量化章节就自动升级成了 0.96；文本里闭着眼睛吹 15% 的提升，底下表格里硬生生写着 25% 的差值；甚至连 U-Net 这种祖师爷级别的网络都能随便安给一个 2021 年的无关文献。同学，你这不叫边缘部署，你这叫“边缘测试审稿人的智商”啊！连小数点和参考文献都能复制粘贴错，难道你的 Random Number Generator (RNG) 也是靠 Ctrl+C 生成的吗？

建议后续行动

联系作者要求提供原始数据（特别是 RD 模型多次实验的原始 Log 日志）
在 PubPeer 上提出质疑（重点讨论 0.95/0.96 矛盾与 15%/25% 算术问题）
向期刊编辑部（Elsevier）举报，要求作者做出合理解释并自查数据

⚠️ 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。

Unified Anomaly Detection methods on Edge Device using Knowledge Distillation and Quantization