🔍 耿同学打假报告

论文信息

• 论文来源：UniAD.pdf
• 标题：UniAD: A Real-World Multi-Category Industrial Anomaly Detection Dataset with a Unified CLIP-Based Framework
• 作者：Junyang Yang, Jiuxin Cao, Chengge Duan
• 期刊：Information (MDPI)
• DOI：doi.org/10.3390/info16110956
• 发表年份：2025 (Published: 4 November 2025)

综合评定：🟠 高度可疑

这篇论文在“学术礼仪”和“数据透明度”上存在严重的问题。虽然算法设计看起来合理，但正文中出现了明显的审稿人意见残留，且声称作为 Benchmark 的数据集不公开，这直接违背了科学可复现性的基本原则。

详细发现

发现 1：方法学/文本异常（第六式：引用与方法学异常）

• 位置：Table 10, Table 14 的标题 (Page 19, Page 21)
• 描述：表格标题中出现了不该出现在正式论文中的内容，疑似是作者回复信或内部审稿意见直接复制粘贴到了正文中，且忘记删除。
• 证据：
  1. Table 10 (Page 19) 的标题竟然是：“Optimality and efficiency issues need to be questioned about the adaptation mechanism itself. While LoRA provides parameter efficiency, the authors never speak to why exactly this particular adaptation mechanism is optimal for anomaly detection.”（需要质疑适应机制本身的最优性和效率问题。虽然 LoRA 提供了参数效率，但作者从未说明为什么这种特定的适应机制对异常检测是最优的。）
  2. Table 14 (Page 21) 的标题是：“Illustrative examples of anomalies and CLIP embeddings are sparse; add visualizations of attention maps or anomaly heatmaps on UniAD samples to elucidate framework mechanics.”（异常和 CLIP 嵌入的说明性示例很少；在 UniAD 样本上添加注意力图或异常热图的可视化，以阐明框架机制。）
• 分析：这属于非常低级的学术错误。这表明作者在修改稿件时，可能直接将审稿人的批评意见或者修改计划复制到了草稿中，并且在提交 MDPI 时完全没有进行通读检查。这种粗制滥造的态度让人不得不怀疑其实验数据的严谨性。
• 严重程度：🔴 (实锤级别的学术态度问题)

发现 2：产出异常/数据透明度（第五式：产出异常检测）

• 位置：Data Availability Statement (Page 23)
• 描述：作者声称构建了一个名为 UniAD 的大型数据集（25,000+ 图像），并以此作为本文的核心贡献和 Benchmark，但在数据可用性声明中却表示数据不公开。
• 证据：“The data are not publicly available due to confidentiality agreements with the industrial partners. As the dataset originates from actual manufacturing plants, it contains sensitive operational and production information...”
• 分析：这是一个典型的“空手套白狼”式学术套路。作者利用一个别人无法获取的私有数据集来证明自己方法的优越性（即所谓的 SOTA），并以此作为主要贡献发表。既然数据无法公开，其他研究者就无法复现实验，也无法验证作者声称的性能优势是否真实存在。不以数据集公开为前提的 Benchmark 论文，本质上就是一篇无法验证的广告。
• 严重程度：🟠 (严重损害论文核心价值)

发现 3：数据造假检测（第二式：数据造假检测）

• 位置：Table 14 (Page 21)
• 描述：消融实验的数据看起来“过于完美”和“刻意”。
• 证据：在 Table 14 中，当训练 Epochs=5 时，LoRA Rank 4/8/16 的性能非常接近（AUROC 91.8/92.1/91.9），这可能说明模型对参数不敏感。但是，在 Rank=8 的情况下，Epochs=5 时 AUROC 为 92.1，而 Epochs=10 时 AUROC 下降到了 92.0。
• 分析：虽然 0.1 的差异很小，但通常在工业异常检测中，如果训练收敛，增加 Epoch 可能会导致过拟合，性能会显著下降。这里仅仅下降 0.1 并维持在高位，且 F1 分数甚至从 89.1 变到了 89.2，这种“微妙的平衡”看起来像是人为调整超参数为了凑出一个“最佳点”（5 epochs），而不是自然训练的结果。
• 严重程度：🟡 (疑点)

发现 4：统计异常（第四式：统计学异常检测）

• 位置：Table 8 (Page 17)
• 描述：在不同类别的 F1 分数对比中，某些基线方法的性能低得离谱。
• 证据：在 RESISTOR 类别中，DSR 方法的 F1 分数只有 5.4%。而在同一个类别的 AUROC (Table 9) 中，DSR 为 75.0%。
• 分析：AUROC 为 75% 说明模型是有区分能力的（不是随机猜），但 F1 只有 5.4% 意味着阈值设置极度糟糕或者模型在特定阈值下完全失效。这在成熟的基线方法（DSR 是发表在 ECCV 2022 的方法）中非常罕见，通常意味着复现代码存在严重 Bug，或者测试脚本有误。作者借此来衬托自己方法的优越性（99.1% F1），这种对比可能存在不公平。
• 严重程度：🟠 (基线方法实现可能存在 Bug)

耿同学辣评

这篇论文简直是“漏洞百出”的典范！作者把审稿人的吐槽意见直接印在了表格标题里（Table 10/14），这大概是为了省事，连排版检查都懒得做就直接上传了 MDPI。更绝的是，拿着一个所谓“工业界保密”的私有数据集来刷 SOTA 发论文，这就像是我声称发明了常温超导，但是因为商业机密不能给你看样品一样。数据集都不公开，你发个锤子的 Benchmark 论文？干脆叫《关于我有一个很牛的数据集但我就是不给你这件事的研究》算了！

建议后续行动

• 联系作者要求提供原始数据（虽然他们大概率会以保密协议拒绝）
• 在 PubPeer 上提出质疑（重点询问 Table 10/14 标题的笑话问题）
• 向期刊编辑部举报（指出文中包含未编辑的手稿内容，违反出版规范）

⚠️ 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。