这里是基于“耿同学六式”为您生成的学术论文打假报告：

🔍 耿同学打假报告

论文信息

论文来源：KNOSYS-D-26-08890.pdf
标题：Synergistic Relation Learning via Difficulty-Aware Curriculum and Conditional Diffusion for Few-Shot Knowledge Graph Completion
作者：Yuchen Ning, Quansheng Dou, Huanling Tang, Bingxi Chen, Jinfang Xue, Xinyu Tang
期刊：Knowledge-Based Systems (Under Review / Manuscript Draft)
DOI：无（尚未发表）
发表年份：2026（投稿时间线推测）

综合评定：🟡 存疑

详细发现

发现 1：方法学异常（“公开可用”的代码去哪了？）

位置：Section 1 (Introduction) 末尾 & Section 7 (Data availability)
描述：作者在引言最后明确声称“The source code of SynRel is publicly available at.”，但句号后没有任何URL链接。此外，在“Data availability”部分，文本提到数据集可从 NP-FKGC repository 获得，但具体的 GitHub 链接被截断或缺失。
证据：文中出现了“...available at.”这样典型的占位符或笔误。
严重程度：🟠 高度可疑
耿同学点评：这是审稿人的大忌。声称代码“公开可用”却只留一个句号，这就像是告诉你“我有宝藏，位置在句号里”。在计算机领域，尤其是包含复杂模块（Curriculum + Diffusion）的论文，没有代码支撑的复现性几乎为零。这通常暗示代码可能未整理好，或者结果难以复现。

发现 2：数据统计与表格描述不匹配（表头误导）

位置：Table 1 & Section 5.1.1
描述：Table 1 的表头是 #Relation, #Entity, #Triples, #Train, #Valid, #Test。然而，对于 NELL-One 数据集，#Triples 显示为 181,109，而 #Train 显示为 51。
证据：Section 5.1.1 正文解释说：“The NELL-One dataset contains training, validation, and test relation splits of 51/5/11”。这意味着 Table 1 中的 #Train 实际上指的是训练关系的数量，而不是训练三元组的数量。但在表格标题和列名中，它紧挨着 #Triples，极易引起误解（通常 #Train 指训练集样本数）。
严重程度：🟡 轻微异常
耿同学点评：表头写 #Train，里面填的是关系的个数。这种“偷懒”的表格标注虽然在综述里常见，但在正式论文里属于写作不规范，容易让读者误以为只有51个训练样本。

发现 3：数学计算严谨性验证（Cover Letter 数据打脸反证）

位置：Cover Letter & Table 2
描述：虽然通常我们要抓造假，但这里我们要验证一下作者在 Cover Letter 中声称的提升比例是否与 Table 2 数据吻合。
证据：
- Claim 1: "improves MRR ... over ReCDAP by 7.11% on NELL-One".
  - 计算: $(0.527 - 0.492) / 0.492 = 7.113\%$ ✅ 吻合。
- Claim 2: "improves ... Hits@1 by 8.40% on NELL-One".
  - 计算: $(0.516 - 0.476) / 0.476 = 8.403\%$ ✅ 吻合。
- Claim 3: "improves MRR ... by 3.68% on FB15K-237".
  - 计算: $(0.592 - 0.571) / 0.571 = 3.677\%$ ✅ 吻合。
- Claim 4: "improves ... Hits@1 by 6.16% on FB15K-237".
  - 计算: $(0.517 - 0.487) / 0.487 = 6.160\%$ ✅ 吻合。
严重程度：✅ 清白
耿同学点评：很多“量产型”论文在 Cover Letter 里瞎编提升百分比，或者算错相对提升。这篇论文的百分比计算精确到了小数点后两位，且完全基于 Table 2 的数据，这一点值得表扬，说明作者至少仔细检查了自己的摘要和图表数据。

发现 4：指标逻辑异常（FB15K-237 上的 Hits@5 现象）

位置：Table 2 & Section 5.2
描述：在 FB15K-237 数据集上，SynRel 的 Hits@10 (0.763) 远高于 Hits@5 (0.668)，差距达到 9.5%。同时 Hits@5 (0.668) 又比 Hits@1 (0.517) 高出 15.1%。
证据：这种分布通常意味着模型在排序时，正确答案大量集中在 Top 6-10 的位置，而不是 Top 2-5。
严重程度：🟡 轻微异常
耿同学点评：通常好的模型会把正确答案尽量往前排，Hits@5 到 Hits@10 的增长会比较平缓。这里的跳跃性增长虽然不一定是造假（可能受负采样策略或数据集特性影响），但略显诡异。不过作者很诚实，在文中承认了 Hits@5 略低于 baseline ReCDAP，这种诚实度加分。

发现 5：时间线验证

位置：References
描述：当前日期为 2026-06-04。论文引用了 2025 年的最新文献（如 Ref [4] SIGIR 2025, Ref [12] EMNLP 2025）。
证据：手稿编号 KNOSYS-D-26-08890 暗示这是 2026 年的投稿。
严重程度：✅ 清白
耿同学点评：时间线逻辑自洽。

耿同学辣评

这篇论文就像是那个在考场上解题思路全对，但最后忘了写名字和准考证号的学生。

表格列名标得稀里糊涂（#Train 指关系数），最关键的是居然在正文里留了一个空壳的“代码可用性声明”！你那句 “The source code of SynRel is publicly available at.” 后面的链接是被狗吃了吗？在 2026 年，声称代码开源却不放链接，这就好比你说“我发财了”，结果打开钱包里面是空的。

虽然数据的百分比计算很严谨（这点比很多乱算的论文强），实验结果也还算符合逻辑，但这股子“赶工提交”的敷衍味道实在太冲了。

建议后续行动

暂不建议举报造假：目前没有发现数据伪造或图片 PS 的实锤证据，主要是写作态度不够严谨。
联系作者要求提供代码：作为审稿人或读者，第一件事就是发邮件去问：“哥们，你的代码到底在哪？”
建议期刊编辑部要求修改：要求作者补充完整的 GitHub 链接，并修正 Table 1 的表头歧义。

⚠️ 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。
由于文本中未提供图片信息，无法进行像素级分析（第一式、第三式）。

Synergistic Relation Learning via Difficulty-Aware Curriculum and Conditional Diffusion for Few-Shot Knowledge Graph Completion