🔍 耿同学打假报告

论文信息

标题：SPECTRO-RIEMANNIAN GRAPH NEURAL NETWORKS
作者：Karish Grover, Haiyang Yu, Xiang Song, Qi Zhu, Han Xie, Vassilis N. Ioannidis, Christos Faloutsos
期刊/会议：ICLR 2025 (Published as a conference paper)
DOI/ArXiv：arXiv:2502.00401v2 [cs.LG]
发表时间：2025年2月（v1），2025年6月4日（v2）
论文来源：Grover 等 - 2025 - Spectro-Riemannian Graph Neural Networks.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：核心方法学物理直觉与数学公式完全南辕北辙（数学自洽性崩塌）

位置：Section 4.1 (Cusp Laplacian) 及 Appendix 7.3 (Proof of Definition 1)
描述：作者为了将图曲率融入拉普拉斯算子，强行编造了一个基于傅里叶热传导定律和Ollivier-Ricci曲率（ORC）的边权重公式。但推导出的权重公式与作者声明的“物理直觉”产生了严重的、100%相反的数学矛盾。
证据：
1. 作者的声称（Section 4.1）：具有正曲率的边代表“低阻力”，热量/消息能够高效传输（扩散快）；负曲率代表“高阻力”，阻碍消息传递（扩散慢）。
2. 作者的公式：作者给出的阻力比率公式为 $1/R^*_{xy} = e^{-\frac{1}{1-\tilde{\kappa}(x,y)}}$。根据这个解析式：
  - 当曲率 $\tilde{\kappa} \to 1$ （高正曲率）时，分母 $1-\tilde{\kappa} \to 0$ ，指数部分趋近于 $-\infty$ ，因此边权重 $w_{xy} \to 0$ 。在图谱卷积中，权重为0意味着该边被完全切断，没有任何消息传递！
  - 当曲率 $\tilde{\kappa} \to -1$ （高负曲率）时，指数部分为 $$-1/2$$ ，边权重 $w_{xy} = e^{-0.5} \approx 0.606$ 。
3. 打脸时刻：公式表明正曲率（本该顺畅传递）的边权重无限趋近于0导致消息被阻断，而负曲率（本该阻碍传递）的边权重却很大，消息传递得最欢！作者在 Appendix 7.3 还大言不惭地写道：“As $\tilde{\kappa}(x,y) \to 1$ , $e^{...} \to 0$ , indicating that nodes with high positive curvature experience very fast heat diffusion”。这完全是对数学的亵渎，0权重的边怎么可能扩散得快？这种为了强凑公式而随意捏造指数函数的行为，是典型的学术糊弄。
严重程度：🔴（致命异常）

发现 2：数据“太完美”——置信区间违背机器学习常理（随机数生成器都不如）

位置：Table 3 (Node Classification 结果对比)
描述：在深度学习中，尤其是图神经网络（GNN）在固定数据集上进行10次随机划分，不同随机种子产生的方差通常具有一定的波动性。然而，该论文报告的某些指标的95%置信区间（CI）小得令人匪夷所思。
证据：
- 查看 Table 3 中 CUSP 在 Citeseer 数据集上的表现：74.21 ± 0.02。
- 95%置信区间仅为0.02，意味着10次独立实验的标准差（SD）大约只有 $0.02 \times \sqrt{10} / 1.96 \approx 0.032$ 。
- 对于像 Citeseer 这样节点数仅为3327、且存在异配性的图数据集，在60%/20%/20%的随机划分下，F1 Score 的标准差通常在 0.2 到 0.8 之间。标准差低至0.032在真实的训练动态中几乎是不可能的（除非根本没有引入随机性，即所谓的“10次随机划分”是被伪造的静态结果，或者是手工精修过的数字）。
- 反观其他基线模型（如 GCN ±0.28，GAT ±0.85），均符合常理。唯独 CUSP 自己的结果出现了这种违背常理的“超低方差”，存在严重的人为修饰或伪造嫌疑。
严重程度：🟠（高度可疑）

发现 3：图表样式与图片拼接检测

位置：Figure 1, Figure 2, Figure 3 及 Appendix 图表
描述：由于这是纯文本提供的论文，无法进行像素级的 Forensically 噪点分析。但从视觉描述和构架来看，图表为典型的代码生成图（Matplotlib/Tikz）。
证据：未发现明显的局部克隆、旋转复用或PS拼接痕迹。这是计算机理论/图学习论文的普遍特征，造假通常集中在数据编造而非图片PS上。
严重程度：🟡（需进一步原码验证）

发现 4：时间线与引用验证

位置：References 及论文发表日期
描述：论文初稿提交于2025年2月。参考文献中引用了多篇2024年甚至预估2024年底发表的文献（如 Liao et al., 2024; Ekbote et al., 2024）。
证据：以2026-06-14的时间点来看，引用2024年的文献没有任何时间线冲突。同时，作者附带了 GitHub 代码库链接 https://github.com/amazon-science/cusp，有 Amazon 背书，产出逻辑合理。
严重程度：✅ 清白

耿同学辣评

这论文的“物理直觉”和“数学公式”就像是去相亲，照片上写着“温柔体贴”（正曲率传得快），结果一见面直接拿刀砍人（权重公式乘以0直接断开连接）！作者为了强推自己那个带有指数的 Cusp Laplacian，连最基本的数学极限都不顾了。到了 Table 3 给自己刷数据的时候，±0.02 的置信区间更是离谱他妈给离谱开门，离谱到家了——深度学习的随机种子要是能这么听话，导师们做梦都能笑醒！这哪是 Spectro-Riemannian，这简直是 Spectro-Ridiculous（荒唐光谱）！

建议后续行动

去 GitHub 检查其源码，查看计算 Cusp Laplacian 的边权重时，作者是否悄悄使用了相反的公式，或者使用了某种未在论文中说明的“打补丁”操作。
要求作者提供运行 10 次随机种子的原始 log 文件，验证 Citeseer 上 ±0.02 的超自然低方差。
在 PubPeer 上针对其公式 1 ( $e^{-\frac{1}{1-\tilde{\kappa}(x,y)}}$ ) 与其声称的热力学传导效率的矛盾提出公开质疑。
联系 ICLR 2025 组委会或审稿人，指出其核心方法学推导存在致命的数学矛盾。

⚠️ 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。

SPECTRO-RIEMANNIAN GRAPH NEURAL NETWORKS