🔍 耿同学打假报告

论文信息

• 论文来源：Deep-Quantile-Regression-Based Surrogate Model for Joint Chance-Constrained Optimal Power Flow With Renewable Generation.pdf
• 标题：Deep-Quantile-Regression-Based Surrogate Model for Joint Chance-Constrained Optimal Power Flow With Renewable Generation (基于深度分位数回归的可再生能源发电联合机会约束最优潮流代理模型)
• 作者：Ge Chen, Hongcai Zhang, Hongxun Hui, Yonghua Song
• 期刊：IEEE TRANSACTIONS ON SUSTAINABLE ENERGY (VOL. 14, NO. 1, JANUARY 2023)
• DOI：10.1109/TSTE.2022.3223764
• 发表年份：2022 (Online), 2023 (Print)

综合评定：✅ 清白

详细发现

发现 1：图片复用与PS痕迹检测（第一式 & 第三式）

• 位置：Figure 3, Figure 4, Figure 6, Figure 7-15
• 描述：对论文中所有图表进行视觉扫描，未发现图片复用、翻转、裁剪或拼接痕迹。
• 证据：
  1. 本论文属于电气工程/人工智能交叉领域，主要使用的是系统架构图、散点图、柱状图和折线图，不存在生物医学论文中常见的 Western Blot 或显微镜图，天然规避了“一图多用”和“PS拼接”的高风险区域。
  2. Figure 6 的散点图数据点分布符合机器学习模型预测的正常分布特征，没有出现异常的像素级复制。
• 严重程度：✅ 无异常

发现 2：数据造假检测（第二式）

• 位置：全文数据展示部分
• 描述：论文中未直接展示带有末位数字的原始数据表格（仅有Table I展示了神经元数量），主要结果通过图表呈现。
• 证据：
  1. 无“完美”数据：Figure 6(a), (c), (e) 中，当真实分位数（Quantile）在 -0.2 附近时，作者坦诚地展示了预测误差增大的现象。如果是刻意造假，通常会画一条完美贴合 y=x 的直线，这种坦诚暴露模型缺点的做法符合真实实验特征。
  2. 符合物理逻辑：Figure 7-13 中，SOCP松弛模型（B2）的违规概率在某些情况下甚至接近 100%，这是因为高渗透率下反向潮流导致松弛不精确。这种“不符合预期但符合物理数学逻辑”的基准对比，进一步排除了挑选或捏造完美数据的嫌疑。
• 严重程度：✅ 无异常

发现 3：统计学异常检测（第四式）

• 位置：Case Study (Section IV)
• 描述：本文的验证不依赖于传统的生物统计假设检验，而是基于最优性（经济性）和可行性（安全性）的工程指标对比。
• 证据：没有使用 p-value、ANOVA 等检验，不存在 p-hacking 问题。蒙特卡洛仿真验证违规概率的逻辑自洽。
• 严重程度：✅ 无异常

发现 4：时间线与产出逻辑检测（第五式 & 第六式）

• 位置：全文、参考文献、作者简介
• 描述：对论文的发表时间线、使用的软硬件环境及开源代码情况进行核实。
• 证据：
  1. 时间线合理：收稿 2022.04.01，录用 2022.11.17，历时7个多月，经历了3次修改，符合 IEEE Trans 期刊的正常且严格的审稿周期。
  2. 硬件无穿越：文中声明使用 Intel(R) 8700 3.20 GHz CPU。经查，该 CPU 于 2018 年上市，在 2022 年开展实验完全合理。
  3. 数据源无穿越：文中使用的真实太阳辐射数据集 (HI-SEAS) 访问时间为 2022.08.01，早于论文录用时间。
  4. 极高诚信加分项：作者在 Section IV-A 明确表示：“All these samples have been uploaded to [55]”，并给出了 GitHub 链接 (github.com/lelouchsola/DeepQuantileRegressionOPF)。提供完整开源代码和数据是学术诚信的最强背书，证明作者不怕任何人去复现。

耿同学辣评

这是一篇干净得连“胶原蛋白”都没打的纯天然好文！当别的学渣还在用 PS 拼凑 Western Blot 泳道、用 Excel 拖拽生成完美造假数据时，人家电气工程和 AI 圈的大佬已经直接把代码和数据开源到 GitHub 上了。那些连原始数据都不敢给的“量产型学术大师”们，看到这篇文章难道不脸红吗？打铁还需自身硬，敢开源，就是不怕查！

建议后续行动

• 联系作者要求提供原始数据 （作者已在文中主动开源）
• 在 PubPeer 上提出质疑 （无需质疑，数据自洽且开源）
• 向期刊编辑部举报 （建议编辑部给这篇论文的透明度发个奖状）
• 强烈建议其他研究者 Download 并引用该论文，学习一下什么叫真正的科研态度。

⚠️ 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。