🔍 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, Juan Lyu
• 期刊：未在文本中明确标明，从排版和参考文献年份（含2024年）推测为近期投稿或发表的会议/期刊论文
• 发表年份：2024 及之后
• 论文来源：2351.pdf

综合评定：🔴 实锤（确凿的造假/学术不端证据）

详细发现

发现 1：参考文献大规模伪造/复制粘贴（第六式：引用与方法学异常）

• 位置：References 部分
• 描述：论文的参考文献列表存在明显且粗暴的复制粘贴痕迹，多篇文献的卷号、期号、页码完全一致，这在学术出版中是不可能发生的巧合。
• 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]: Fu, S. et al. ... IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023). (甚至和[11]是同一篇，自引造假)
    不同期刊、不同年份的论文，不仅卷号神奇地都是第2卷第5期，连起止页码都精准卡在 99-110。造假连随机数生成器都懒得用。
• 严重程度：🔴

发现 2：实验数据表“注水”与 Copy-paste 痕迹（第二式：数据造假检测）

• 位置：Table 1 (Page 10) & Table 2 (Page 10-11)
• 描述：作者在展示不同超参数下的模型性能时，进行了低劣的复制粘贴以拼凑论文篇幅。深度学习模型在包含 Dropout（0.5）的情况下，多次运行完全相同的参数，居然能得出精确到小数点后 4 位甚至 5 位的完全相同的结果。
• 证据：
  • Table 1 中，参数为 0.5 3 0.01 250 0.01 250 的实验组，在行 1、7、11、15、17 中完全重复出现了 5 次！F1 和 ACC 稳定在 0.8305 / 0.83759 和 0.8540 / 0.8665。行 2、8、12、16、18 同样重复了 5 次。
  • Table 2 中同样如此，参数 0.01 250 对应的数据行（F1:0.6589, ACC:0.6994）在第 8、12、18、20 行被机械地重复粘贴了 4 次。
    这不叫独立重复实验，这叫“Ctrl+C 加 Ctrl+V”。
• 严重程度：🔴

发现 3：极其反直觉的“低性能”吹嘘（第四/六式：统计学/方法学异常）

• 位置：Abstract & Section 4.4 (Page 9)
• 描述：作者在摘要中声称模型表现出“excellent performance”（卓越的性能）和“obvious advantages”（显著优势）。然而，在轴承故障诊断任务中，模型的准确率仅为 65%。
• 证据：在当前的深度学习领域（即使是简单的前馈神经网络），在公开的轴承数据集（如文中引用的 CWRU 数据集）上，准确率动辄 95% 甚至 99% 以上。作者提出的复杂图神经网络模型结合各种损失函数，准确率竟然只有 65%（堪比瞎猜的升华版），却在摘要和结论中大肆吹嘘其“创新性”和“优异表现”。这不是学术视野问题，这是在侮辱读者的智商。
• 严重程度：🟠

发现 4：无基线对比的“跨时代提升”（第四式：统计学异常）

• 位置：Abstract & Section 4.1 (Page 8)
• 描述：摘要中声称 Core 节点分类准确率从 76% 提升至 86.65%。但在第 4.1 节明确写道使用了 GCN、GAT、SGC 作为基线模型。
• 证据：通读全文，没有找到任何一张表格或一段文字展示 GCN、GAT、SGC 的实验结果。所有的 Table 1 和 Table 2 仅仅罗列了作者自己模型在不同超参数下的“注水”跑分。基线模型形同虚设，所谓的“从 76% 提升”变成了自说自话的虚空打靶。
• 严重程度：🔴

发现 5：文本与公式排版呈现严重的 AI 生成/乱码特征（第六式：引用与方法学异常）

• 位置：Section 3.4 (Page 7-8)
• 描述：损失函数的数学公式呈现出现了大量不可解析的 Unicode 乱码，且基础公式出现明显错误。
• 证据：公式 (1) 中出现了 (�)=−(1−�)�� 这种典型的 PDF 提取乱码或非正常排版软件生成的乱码。此外，Focal Loss 的标准公式中包含 \(\log\)，但在文中完全被乱码覆盖或遗失。这通常意味着作者直接从不可靠的来源（如网页复制、低劣的 AI 输出框）直接复制了文本，连 LaTeX 公式都没有手打或校对。
• 严重程度：🟠

耿同学辣评

这篇论文简直是“学术缝合怪”的顶配版：方法是把几个时髦词（图神经网络、Focal Loss、KNN）一股脑扔进锅里乱炖，结果轴承诊断准确率炖出了令人发指的 65%，作者竟然还敢腆着脸在摘要里写“excellent performance”（卓越性能）。更离谱的是，为了凑版面，表格里的数据直接“Ctrl+C/V”复制连贴 5 遍，连参考文献的卷号页码都懒得改，全是一样的 2(5), 99-110。把机器随机数生成器都比下去的，大概只有作者复制粘贴的手速了。建议作者在撤稿前，先搞清楚 65% 的准确率在深度学习故障诊断界是准备当反面教材还是喜剧看。

建议后续行动

• 联系作者要求提供原始数据（特别是解释为何相同参数下的表格数据连小数点都完全重复）
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报（重点核查伪造的参考文献列表）
• 向作者所在机构（天津科技大学）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。
(注：由于提供的是文本内容，未提供原始 PDF 图片文件，第一式与第三式关于图片的像素级检测无法进行，但仅通过文本和数据逻辑已足以定性。)