🔍 耿同学打假报告

论文信息

论文来源：基于图神经网络的异常检测应用研究_仇苇.pdf
标题：基于图神经网络的异常检测应用研究
作者：仇苇
机构/期刊：扬州大学（硕士学位论文）
指导教师：陈斌副教授，熊吉林高级工程师
答辩/发表年份：2024年5月

综合评定：🟡 存疑

(注：本文为深度学习与医学影像交叉领域的计算机/软件工程硕士论文，其检测重点与传统生化类论文不同。本次检测主要依靠对实验设置、数据逻辑和时间线的文本分析。)

详细发现

发现 1：物理学常识与方法学描述严重冲突（时间线/领域知识异常）

位置：第 4 章 4.2 动态脑图构建 / 4.4.1 健康人类任务态异常行为检测性能
描述：作者在描述 fMRI 数据预处理和切片时，多次使用了“150ms”作为时间跨度。原文称：“同时对任务数据进行切片处理，固定时间跨度为 150ms...本实验固定的 150ms 的时间跨度，是产生差异的主要原因...由于 Emotion 任务数据跨度为 176ms，远短于 Working Memory 的 405ms”。
证据：在人脑 fMRI（功能核磁共振）研究中，BOLD 信号的采集受限于物理学和生理学限制，其 TR（重复时间，即采样一个全脑体积的时间）通常在 1秒到 2秒之间（即 1000ms - 2000ms），即使是 HCP（人类连接组计划）这样的极速 7T/3T 扫描仪，其 TR 也大约在 0.72秒 (720ms) 左右。fMRI 根本不存在 150ms 量级的时间跨度（这相当于每秒钟扫 6.6 个全脑），这在工程上目前是做不到的。作者极大概率是把“150个时间点”或者是“滑动窗口大小为150”与“150毫秒”搞混了。
严重程度：🟠 高度可疑（若为笔误，说明极度不严谨；若为编造实验，则属于严重学术不端）

发现 2：表格数据呈现“复制粘贴”的巧合（数据造假检测）

位置：第 3 章表 3-3 分类器性能
描述：在对比不同基线模型（RF, SVM, AE, 2D CNN, 3D CNN）的性能时，RF（随机森林）和 SVM（支持向量机）的 Specificity（特异性）竟然完全一模一样。
证据：表 3-3 中，RF 的 Specificity 为 0.6949；SVM 的 Specificity 同样为 0.6949。在真实的三次独立重复实验中，两个完全不同架构的机器学习模型，在同一评价指标上保留四位小数完全相同的概率极低（随机数生成器都不一定能生成这么巧的数）。这通常是手工编造数据或 Excel 下拉拖拽出错时留下的典型“PS/造假痕迹”。
严重程度：🟠 高度可疑

发现 3：文本中未提供足够的图片信息，无法进行像素级分析

位置：全文 Figure 1-1 至 Figure 5-13
描述：由于仅提供了 PDF 的文本和部分低质量占位图描述，缺乏高质量的原始矢量图或高分辨率位图，无法按照“耿同学六式”中的图片复用检测和 PS 痕迹检测进行分析。
证据：本文为深度学习应用型论文，图片多为框架图（如 GCN-LSTM 结构图）、UI 截图和脑岛热力图。热力图（如 Figure 3-6, Figure 4-10）极易通过代码篡改颜色映射区间来制造“完美结果”，但当前文本无法验证其底层代码或原始数据。
严重程度：🟡 无法判断

发现 4：实验超参数与硬件配置的合理性（逻辑验证）

位置：第 3 章 3.3.1 节 / 第 4 章 4.4.1 节
描述：作者声称模型训练平台为 Windows11，显卡为 RTX 3090Ti 24GB。设置了 Batch Size 为 32（第三章）和 16（第四章），学习率为 0.001。
证据：这是一条正面信息。深度学习造假论文（尤其是国内某些东拼西凑的水刊）往往不敢写具体的显卡型号，或者写出“使用了 4 张 V100 跑了 1 个月”这种脱离其实验室算力现状的假话。作者老老实实写了 3090Ti 24GB（符合 2023-2024 年实验室主流配置），且超参数设置（Adam 优化器，lr=0.001, dropout=0.2）非常符合 PyTorch 社区的“默认值/调参起手式”。这说明作者大概率是真的跑过代码的。
严重程度：✅ 逻辑自洽

耿同学辣评

做脑电和核磁共振（fMRI）研究，把全脑扫描的 TR（时间分辨率）写成 150ms，这用的是显微镜还是高达雷达？把 RF 和 SVM 跑出 4 位小数完全一致的特异性，不知道的还以为你在教随机数生成器背诵九九乘法表呢！代码大概率是真的跑了，但某些实验细节的描述，简直是把“我没仔细搞懂底层原理，只是调了包”写在了脸上。

建议后续行动

联系作者（仇苇）及导师要求提供数据处理脚本（特别是 fMRI 切片部分的源码），核实 "150ms" 到底是参数设定错误还是作者概念混淆。
要求作者公开表 3-3 对应的原始混淆矩阵，以验证 RF 和 SVM 的特异性数据雷同是否为编造。
（由于本篇为硕士学位论文）建议关注该作者后续是否有将此“150ms”错误数据整理发表至国际会议（如 ICASSP, MICCAI）或 SCI 期刊，若有，可在 PubPeer 上提出公开质疑。

⚠️ 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。

基于图神经网络的异常检测应用研究