🔍 耿同学打假报告

论文信息

标题：Deep Reinforcement Learning for Quadcopter Control: A Study of Proximal Policy Optimization (PPO) Algorithms
作者：Jiwei Chen (学号: 2401061)
期刊/学位：Master of Science in Artificial Intelligence (Essex University)
DOI：无 (硕士学位论文)
发表年份：August 2025
论文来源：JiweiChen_2401061_Dissertation.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据前后矛盾，造假痕迹明显（数字全凭记忆编造？）

位置：Table 3 与第 6 章 Conclusion
描述：作者在第四章的表格（Table 3）中给出的核心实验数据，与第六章最终总结中引用的数据完全对不上！这在学术论文中是致命伤，通常暗示作者在撰写不同章节时使用了不同版本的“编造”数据，或者干脆复制粘贴了早期的草稿数据而忘记了统一。
证据：
1. Task Completion Rate (任务完成率)：
  - Table 3 显示：PID (No Noise) = 88.3%，PID (With Noise) = 12.4%。
  - 第 6 章结论部分写道：“the PID controller performed well... plummeted from 86.5% to a mere 14.2%”。
2. PPO 完成率：
  - Table 3 显示：PPO (No Noise) = 72.4%，PPO (With Noise) = 73.4%。
  - 第 6 章结论部分写道：“success rate of 73.5% in clean conditions and 72.5% in noisy conditions”。
严重程度：🔴 实锤造假预警

发现 2：违反物理常识与统计学规律的“完美”数据（噪声反而提升性能？）

位置：Table 3 / 第 4.2 节文本描述
描述：作者为了强行突出 PPO 算法的“鲁棒性”，编造出了违背控制理论和物理常识的数据。在加入高斯噪声（模拟真实环境干扰）后，PPO 控制器的某些性能指标竟然奇迹般地变好了！
证据：
1. 位置误差：
  - PPO 无噪声 RMSE = 0.6743，有噪声 RMSE = 0.6481。在有干扰的情况下，无人机飞得居然比无干扰的真空环境还要精准？
2. 任务完成率与时间：
  - PPO 完成率从 72.4% 提升到了 73.4%。
  - 作者甚至在 4.2.5 节中强行解释：“counter-intuitively, its mean response time improves significantly to 4.64 seconds... the noise may have encouraged the agent to find more direct paths”（噪声竟然鼓励无人机找到了捷径？真是赛博朋克式的物理学奇迹）。
3. PID 能耗异常：
  - PID 在没有噪声时能耗为 3.27e+11，在加入噪声后（系统已经极度震荡、疯狂报错），能耗竟然下降到了 2.21e+11。既然系统在剧烈震荡，电机输出能耗怎么可能大幅降低？唯一的解释是无人机很快坠毁了（导致统计的总能耗变低），但这与表格声称的统计逻辑相悖。
严重程度：🔴 实锤造假预警

发现 3：文本拼接与格式漏洞（量产型学术的通病）

位置：1.3 节、3.4 节、3.5.1 节、4.1.1 节、4.1.2 节
描述：论文中存在大量明显的文本截断、占位符未替换、以及图号丢失的现象。这说明论文大概率是在某个模板基础上“魔改”或者使用了大语言模型（LLM）辅助生成后未进行人工校对。
证据：
1. 1.3 节 Research Questions：研究问题竟然直接漏字，变成了：
  - “1. bility when faced with randomly generated obstacles?”
  - “2. and more complex environmental configurations?”
2. 图号丢失：全文多处出现 “As shown in Figure, the episodic reward...” (4.1.1节)、“The Gantt chart in Figure sentation of...” (3.5.1节)、“Figure statis...” (4.2.1节) 等极其低级的排版错误。
严重程度：🟠 高度可疑（证明写作态度极其敷衍）

发现 4：时间线存疑与检测维度受限

位置：全局
描述：文本中未提供足够的图片信息（仅有figure caption和部分乱码的文本描述），无法进行像素级的一图多用和 Western Blot 检测（虽然本文是计算机学科，没有 WB 图）。同时，引用文献（如 Do et al., 2024）的发表年份在合理范围内（早于论文投递时间 2025年8月），未发现“穿越时空”引用未来文献的现象。
证据：基于当前日期（2026-06-10），该硕士论文标注的完成时间（2025年8月）在逻辑上是成立的。
严重程度：🟡 存疑

耿同学辣评

这篇 2025 年的 Essex 大学硕士论文，生动地给我们展示了什么叫“为了证明我的算法牛，连物理定律都要给我让路”。加入噪声后，无人机不仅没有受到干扰，反而像吃了赛博兴奋剂一样，飞得比真空环境还准、还快！这就是传说中的“噪声优化法”吗？

更搞笑的是，作者连自己编的数据都记不住。前文表格里刚写完 PID 成功率是 88.3%，到了结论里就变成了 86.5%。造假不可怕，可怕的是连 Ctrl+C 和 Ctrl+V 都按不好，最后交出了一篇到处都是 Figure statis... 和 1. bility 的半成品。如果你是用 AI 生成的数据，好歹也写个脚本统一替换一下数值吧？这敷衍程度，连随机数生成器看了都要流泪！

建议后续行动

联系作者要求提供原始数据（特别是 PPO 在噪声下性能提升的 log 文件和训练轨迹）
向 University of Essex 学术委员会举报（数据伪造、前后矛盾）
在 PubPeer 上提出质疑（由于是硕士论文而非正式期刊发表，视情况而定）
核查其开源代码仓库是否与论文数据相符

⚠️ 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。

Deep Reinforcement Learning for Quadcopter Control: A Study of Proximal Policy Optimization (PPO) Algorithms