🔍 耿同学打假报告

论文信息

位置: Table 3 (CIFAR-10) 与 Table 4 (CIFAR-100)
描述: 提出的方法 DisUn 在多个数据集上的测试集准确率 (Acc(D_test)) 高于作为“金标准”的完全重新训练模型 (Retrain)。例如，在 Table 3 的 CIFAR-10 (ResNet-18) 中，Retrain 的测试准确率为 80.61%，而 DisUn 达到了 81.34%。在 Table 4 的 CIFAR-100 (ViT) 中，Retrain 为 90.20%，而 DisUn (epoch=2) 为 90.27%。
证据: Retrain 是使用全部保留数据集从头训练的模型，理论上限最高。DisUn 作为一种基于知识蒸馏的近似方法，其性能在统计上不应系统性、显著地超越金标准。数据点分布呈现出“教科书式完美”的反常特征，即提出的方法在效用和遗忘效率上全面、大幅碾压所有SOTA，这种“一骑绝尘”的完美结果在真实实验中极其罕见。
严重程度: 🟠

位置: Appendix A.3 (Teacher-Student Model Convergence)
描述: 作者在定理3 (Theorem 3) 的证明中，假设知识蒸馏的损失函数 L(θ_s) 是 μ-强凸 (μ-strongly convex) 和 κ-平滑 (κ-smooth) 的。
证据: 深度神经网络 (DNN) 的损失景观是高度非凸的，存在无数的局部最优和鞍点。这是一个众所周知的常识。假设DNN的损失函数为强凸，在数学上与深度学习的基本理论相悖。作者为了强行套用凸优化的收敛定理，做出了一个在领域内完全不成立的假设，使得整个理论分析的根基崩塌。
严重程度: 🔴

位置: Table 3 (CIFAR-100, VGG-16)
描述: 基线方法 Fisher Forgetting 的运行时间为 55865.00秒 (约15.5小时)，而 Retrain 金标准的时间仅为 366.09秒 (约6分钟)。两者相差约152倍。
证据: Fisher Forgetting 是一种通过添加噪声来擦除参数的近似方法，其设计初衷就是为了比 Retrain 更高效。然而，论文报告的时间却比从头训练还要慢两个数量级。这要么是实验设置存在严重错误，要么是为了衬托提出方法的效率而人为夸大了基线方法的运行时间。
严重程度: 🟠

位置: Table 5 (Class-wise Forgetting)
描述: 在类别遗忘任务中，DisUn 和许多其他基线方法在遗忘集 D_f 和遗忘集测试集 D_f_test 上的准确率均报告为精确的 0.00%。
证据: 在连续型评估指标（如准确率）中，得到绝对零值在统计上概率极低，除非模型输出完全随机且类别数极少。虽然类别遗忘可能导致准确率大幅下降，但多个方法同时达到绝对的0.00%，给人一种“为了遗忘而遗忘”的过度优化印象，数据显得不够自然。
严重程度: 🟡

位置: Section 5.1 (Baselines) & Reference [31] & Reference [32]
描述: 论文引用 [31] (Netzer et al., 2018) 作为 SVHN 数据集的来源，但在参考文献列表中，该条目标题为“The street view house numbers (SVHN) dataset”，且年份为2018。然而，SVHN数据集的经典论文是 [32] (Netzer et al., 2011)，论文正文也在附录B中正确提到了2011年的论文。
证据: 引用 [31] 和 [32] 内容高度重合，且与经典引用不符。这可能是一个笔误，但在匿名审稿阶段，参考文献的准确性是审查重点之一。此外，论文提供的代码链接为 https://shorturl.at/vKwRT，这是一个短链接，在匿名提交中，短链接可能隐藏最终目的地，存在泄露作者信息或指向不相关资源的风险。
严重程度: 🟡

这篇论文的数据完美得像PPT，理论假设大胆得像科幻小说。DisUn 同学，你是不是开了“上帝视角”的挂？还是说，这只是一场“数字的艺术”？咱们学术界，需要的是泥土里挖出的真金，不是ps出来的海市蜃楼！

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。