🔍 耿同学打假报告

论文信息

• 论文来源：基于异构图神经网络的电商欺诈交易检测_冯璐瑶.pdf
• 标题：基于异构图神经网络的电商欺诈交易检测 (E-commerce Transaction Fraud Detection Based on Heterogeneous Graph Neural Networks)
• 作者：冯璐瑶
• 指导教师：吴盼玉 教授
• 培养单位：山东大学 中泰证券金融研究院
• 专业：统计学
• 发表/答辩年份：2022年5月23日

综合评定：✅ 清白（基于当前提供文本）

(注：由于输入文本仅包含论文封面、中英文摘要与目录，未包含正文图表、实验数据和参考文献等实质性内容，本报告主要基于现有文本进行逻辑与时间线核查。)

详细发现

发现 1：时间线与理论框架核查（无异常）

• 位置：全文摘要及目录
• 描述：作为一篇2022年的计算机/统计学硕士学位论文，检查其使用的技术和算法是否符合当时的时代背景。
• 证据：论文中提到的核心技术包括 Transformer（2017年提出）、GraphSAGE（2017年提出）、GAT（2018年提出）、HAN（2019年提出）以及 XGBoost。这些技术在 2022 年均已经是成熟且被广泛使用的基础算法。将其组合应用于电商（京东平台）欺诈检测，时间线完全合理，不存在“使用了未来技术”的穿越情况。
• 严重程度：🟢 正常

发现 2：数据真实性预期核查（存在合理的“不完美”）

• 位置：摘要部分
• 描述：论文声称模型的 F1-Score 分别为 0.9117 和 0.8862，并且“相比最好的基准模型分别有 0.003 和 0.01 的提升”。
• 证据：在计算机领域的顶会/核心期刊中，深度学习模型在复杂数据集上提升 0.3% 到 1% 是非常常见且符合真实科研规律的（即所谓的 SOTA 提升）。如果作者编造数据，通常会吹嘘“提升了 5% 甚至 10% 以上”。这种微小但符合逻辑的提升，侧面反映了实验数据可能确实是通过真实跑模型得出的（当然，最终仍需看正文图表是否存在跑魔改代码的硬伤）。
• 严重程度：🟢 正常

发现 3：文本内容不足以进行图像与数据造假检测

• 位置：缺失的第3、4、5章正文
• 描述：由于未能获取包含 Figure（如模型架构图、Loss 曲线图、特征注意力热力图）和 Table（如消融实验表、多模型对比表）的正文内容，无法执行“第一式至第四式”的深度检测。
• 证据：无文本可供提取末位数字规律或进行像素级比对。
• 严重程度：⚠️ 信息不足

耿同学辣评

这篇论文的摘要写得挺实在，没有吹那种“我的模型提升了30%”的逆天牛批。搞深度学习的都知道，在图神经网络（GNN）领域，能在前人的 HAN 模型上改一改，做出千分之几的提升就已经够混一篇硕士毕业论文了。时间线也没毛病，没犯“用2023年的算法解2022年的题”的低级错误。不过，光看封面和目录是看不出学术造假滴，想抓包模型图的 PS 痕迹和消融实验的抄录错误，还得把论文第 4、5 章的原图和原表扒出来用放大镜看！

建议后续行动

• 初步时间线与方法学逻辑验证通过。
• 如需深度打假：请提供该论文的第 4 章（模型搭建）与第 5 章（实证分析）的完整文本与图片，以进行“六式”深度审查。
• 检查其实验代码是否开源（如 Github），若开源则可直接验证其数据造假的概率几乎为零。

⚠️ 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。
受限于输入文本的残缺（仅含目录摘要），本次检测未覆盖核心数据与图表，结论仅供参考。