正在加载...
请稍候

Adaptive Riemannian Graph Neural Networks (ARGNN)

2026-08-06 15:10

🔍 耿同学打假报告

论文信息

  • 标题：Adaptive Riemannian Graph Neural Networks (ARGNN)
  • 作者：Xudong Wang, Chris Ding, Tongxin Li, Jicong Fan
  • 单位：School of Data Science, The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)
  • 期刊/会议：The Fortieth AAAI Conference on Artificial Intelligence (AAAI-26)
  • arXiv 编号：arXiv:2508.02600v2 [cs.LG] 20 Jan 2026
  • 论文来源：43581_Adaptive_Riemann_Grap.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据造假检测（时间维度的“物理学奇迹”——深度增加，耗时反而变短？）

  • 位置：Appendix E.3, Table 12 (Impact of network depth on performance and computational efficiency)

  • 描述：Table 12 探讨了网络深度（Layers \(L_1\) 到 \(L_6\)）对 F1 Score、Accuracy 和训练时间（Time/epoch）的影响。但在三个数据集上，训练时间随着网络层数的增加，竟然出现了先下降后上升的“U型”奇迹曲线。

  • 证据：
    以 Cora 数据集为例，单轮 epoch 训练时间如下：

    • \(L_1\) 层：0.88 秒
    • \(L_2\) 层：0.82 秒
    • \(L_3\) 层：0.79 秒（耗时最低点）
    • \(L_4\) 层：0.84 秒
    • \(L_5\) 层：0.89 秒
    • \(L_6\) 层：0.93 秒

    Actor 和 Wisconsin 数据集也完全复制了这种“时间变短再变长”的模式（如 Actor 从 1.05s 降到 0.87s 再升到 1.09s）。

  • 辣评：在真实的 GPU 硬件上，神经网络层数的增加意味着更多的矩阵乘法和前向/反向传播开销，\(L_1\) 的计算量绝对不可能大于 \(L_2\)。这种完美的对称 U 型曲线，大概率是作者在用随机数生成器（或正态分布函数）直接捏造数据时，搞出的“假得太完美”的劣质产物。

  • 严重程度：🔴

发现 2：理论与方法学异常（理论推导与表格数据自相矛盾）

  • 位置：Section 5.1 (Proposition 1) VS Appendix E.3 (Table 10)
  • 描述：作者在定理推导中给出了理论最佳超参数的公式：\(\alpha^* = \frac{c_1}{L} \cdot \min(1, \frac{d}{|E|})\)。其中 \(c_1\) 与同配度 \(H\) 呈负相关，\(|E|\) 为边数。但在随后号称“基于理论计算”的 Table 10 中，数据呈现的比例关系与公式完全脱节。
  • 证据：
    根据公式，\(\alpha^*\) 应与 \(\min(1, \frac{d}{|E|})\) 成正比。
    查阅 Table 1，Cora 数据集的边数 \(|E|=5,278\)，而 PubMed 的边数为 \(|E|=44,324\)。同配度 \(H\) 相近（0.825 vs 0.792）。
    理论上，Cora 的 \(\alpha^*\) 应该是 PubMed 的约 8.4 倍（考虑到 \(c_1\) 的微调，大概在 7~9 倍之间）。
    然而，在 Table 10 中，Cora 的推荐值为 {0.00576, 0.00112}，PubMed 为 {0.00025, 0.00037}。两者的 \(\alpha\)（前一个数字）比例竟然高达 23.04 倍（0.00576 / 0.00025）！
  • 辣评：作者自己提出的定理，自己填表格的时候都算不对。这大概率是定理是为了显得“高大上”硬凑的数学公式，而表格数据则是闭着眼睛随手敲的小数点。
  • 严重程度：🟠

发现 3：产出异常 / 装腔作势的“Ctrl+C/V”式写作

  • 位置：Appendix E.4 (Learned Geometry Visualization), Figure 6 ~ Figure 13
  • 描述：作者在附录中声称展示了不同数据集（Cora, Pubmed, Actor 等）学到的几何特征（t-SNE可视化、图拓扑重连等）。但连续 8 个核心 Figure 的 Figure Caption（图注）竟然完全一模一样，连标点符号都没改。
  • 证据：
    从 Figure 6 到 Figure 13，所有的图注都是原封不动的：“Left: Original graph topology colored by class under the layout from the learned embedding projection to 2-D. Middle: Degree-preserving rewiring based on learned geodesic distances reveals clearer class separation. Right: 3-D t-SNE embedding...”
  • 辣评：虽然图表的文字说明复制粘贴是人类写论文常有疏忽，但这不仅是排版问题，更反映出作者在拼凑附录时“敷衍了事”的量产心态，缺乏对科学记录的基本敬畏。
  • 严重程度：🟡

发现 4：数据造假检测（过于完美的倍数关系）

  • 位置：Appendix E.3, Table 10 (Recommended \(\alpha^*, \beta^*\))

  • 描述：Table 10 给出了不同隐藏层维度（列名丢失，推测为 \(d/2, d, 2d\) 等）下的超参数推荐值。这些小数位极其不对称的数值，竟然呈现出极为规整的整数倍比例关系。

  • 证据：
    以 Cora 数据集为例，\(\alpha\) 列的三个值分别为 0.00576, 0.00384, 0.01151（注：按列排）。

    • \(0.00384 \times 1.5 = 0.00576\)
    • \(0.00384 \times 3 = 0.01152 \approx 0.01151\)（出现微小偏差可能是为了掩饰）

    对于 Squirrel 数据集：0.00032, 0.00021, 0.00063。

    • \(0.00021 \times 1.5 = 0.000315 \approx 0.00032\)
    • \(0.00021 \times 3 = 0.00063\)（严丝合缝）

  • 辣评：这种横跨不同数据集、不同行依然保持严格的 \(1 : 1.5 : 3\) 数学关系的数据，绝不是真实交叉验证跑出来的，更像是作者写了个简单的 Excel 拖拽公式直接生成了整个表。

  • 严重程度：🟠

耿同学辣评

这篇论文给我展现了一种“赛博朋克”式的深度学习：它的神经网络不仅能在黎曼流形上做表示学习，还能在增加层数的时候实现“时光倒流”缩短训练时间！定理公式纯靠脑补，表格数据全靠等差数列手敲。你们图注都懒得改一个字，莫非是觉得审稿人也懒得看？让 GNN 回到现实吧，物理学不存在这种奇迹！

建议后续行动

  • 要求作者公开开源代码的提交记录（Git log），特别是 Table 12 计时部分的代码，验证其是否真的进行了 benchmark。
  • 联系通讯作者（Jicong Fan），要求其对 Proposition 1 与 Table 10 之间悬殊的数据比例提供严格的数学推导过程。
  • 在 PubPeer 上针对其表格中过于规律的数据列提出公开质疑。
  • 建议同行仔细复核 Appendix C 中的理论推导，大概率存在为了迎合结果而强行拼凑的数学证明。

⚠️ 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。
(注：因原始文本未提供真实图片像素，本次检测未包含图片重复及拼接检测，重点侧重于数据与数理逻辑的证伪)

返回报告库