🔍 耿同学打假报告

论文信息

论文来源：Huang 等 - 2023 - Searching Large Neighborhoods for Integer Linear Programs with Contrastive Learning.pdf
标题：Searching Large Neighborhoods for Integer Linear Programs with Contrastive Learning
作者：Taoan Huang, Aaron Ferber, Yuandong Tian, Bistra Dilkina, Benoit Steiner
期刊/会议：Proceedings of the 40th International Conference on Machine Learning (ICML), PMLR 202
发表年份：2023

综合评定：✅ 清白

详细发现

这篇论文是一篇典型的计算机科学/人工智能领域的顶会论文，主要涉及算法设计、整数规划和对比学习。虽然我们“耿同学六式”传统上是针对生物医学类图片和数据造假（如 Western Blot）开发的，但底层的科学严谨性和数据自洽性逻辑是互通的。

经过逐一扫描，未发现系统性造假痕迹，反而发现了一些极度“老实”的科研细节。以下是六式检测的详细报告：

第一式：图片复用检测（一图多用）

位置：Figure 1 - Figure 11
描述：论文中的图片主要由算法框架图（Fig 1）和性能曲线图（Fig 2-11，如 Primal gap, Survival rate 等）组成。
证据：由于未提供细胞实验或免疫印迹图，传统意义上的“一图多用”不复存在。通过比对各个 benchmark（MVC, MIS, CA, SC）在不同算法下的曲线趋势，起伏特征明显不同，不存在复制粘贴后改横坐标的造假行为。
严重程度：✅ 无异常

第二式：数据造假检测（随机数生成器都不如）

位置：Table 2 及附录中的 Table 5 - Table 12
描述：重点检查了数据的方差（SD）和数学自洽性。
证据：
1. 方差真实：在很多造假的机器学习论文中，作者为了显得稳定，会编造极小的方差。而这篇论文中，比如 Table 2 的 RANDOM 在 MVC-S 上的 Primal gap 为 0.96±1.26，SD 甚至大于 Mean！这恰恰是真实启发式随机算法在早期迭代中常出现的“长尾效应”和剧烈波动，造假者通常不敢这么编。
2. 数学自洽：作者在正文 5.2 节声称 CL-LNS 比第二名降低了 "32%-42% 的 Primal gap"。以 MIS-S 为例，CL-LNS 为 0.15，第二名 IL-LNS/RL-LNS 为 0.22。计算得：(0.22-0.15)/0.22 = 31.8%。与作者宣称的底线 32% 完美吻合，数学计算严丝合缝。
严重程度：✅ 无异常

第三式：图片拼接检测（PS 痕迹）

位置：Figure 5
描述：检查折线图是否为了“掩盖某些跑不过基线的区间”而进行了拼接或裁切。
证据：图表完整展示了 0-10 次迭代的完整区间，且在图 (c) CA-S 中，如实画出了 IL-LNS 在前期表现有波动，曲线连缀自然，无错位断层。
严重程度：✅ 无异常

第四式：统计学异常检测

位置：全文实验部分
描述：AI 算法论文通常较少使用 p 值，而是看长期收敛曲线。
证据：作者非常诚实地报告了实验中的“失败之处”。例如在 5.2 Results 第一段明确承认：“Note that we were not able to reproduce the results on CA-S and CA-L reported in Wu et al. (2021) for RL-LNS...”（注：我们无法使用他们的代码复现 Wu 等人报告中 RL-LNS 的结果）。
辣评补充：造假者通常会直接把基线数据抄过去或者恶意调低基线数据，而本文作者却老实承认自己复现不了对比方法的结果，直接把“没跑出别人那么好的效果”的基线数据如实挂在图上。这种“自爆其短”的做法，不仅排除了 cherry-picking（选择性报告）的嫌疑，反而极大地增加了论文的可信度。
严重程度：✅ 无异常

第五式：产出异常检测（量产型学术）

位置：作者信息与引用文献
描述：第一作者 Taoan Huang 和通讯作者 Bistra Dilkina。
证据：对比参考文献，如 (Huang et al., 2023a, 2023b, 2022a, 2022b, 2021a, 2021b)，确实能看出第一作者在运筹优化和机器学习交叉领域有持续且高频的产出。但考虑到当前（2026年）AI 领域极为内卷，且作者身处 USC 及 Meta AI/Anthropic 等顶尖机构，这种产出频率在 AI 领域属于正常的高水平多劳得，不构成学术不端的红旗信号。
严重程度：✅ 无异常

第六式：引用与方法学异常

位置：Section 5.1 Setup 及 Appendix D
描述：时间线、版本号与方法学逻辑验证。
证据：
1. 时间线合理：论文使用 SCIP v8.0.1 求解器。查证可知，SCIP 8.0 确实于 2021 年底发布，在 2023 年发表该论文，使用该版本完全符合时间线逻辑。
2. 积分逻辑检验：表 5-12 展示了 15、30、45、60 分钟的 Primal Integral（原始积分）。因为 Primal Integral 是对 Primal Gap 随时间的积分，时间越长，Gap 曲线下方的面积必然累加。查表发现，SC-S 的 CL-LNS 随着时间从 15min 增加到 60min，积分值分别为 11.7 -> 16.7 -> 21.5 -> 26.2，呈现严格的单调递增积分特征。这种多维表的交叉验证完美通过。
3. 微小瑕疵：附录 B 中拼写错误 "similary" (应为 similarly)，但这属于学术拼写失误，非造假。
严重程度：✅ 无异常

耿同学辣评

我拿着找 Western Blot 修图痕迹的放大镜，硬是扫完了一篇满是公式和运筹学算法的 ICML 顶会论文！最让我破防的是，这帮搞 AI 的人连“造假”都这么没有“商业头脑”——作者居然在正文里老老实实交代“对不起，前人的代码我没跑出他们论文里的好成绩”，直接把跑挂的基线原封不动画在图里当背景板。就凭这份“愣”劲儿，这篇论文的数据我信了！

建议后续行动

无需联系作者要求提供原始数据（逻辑极度自洽）。
无需在 PubPeer 上提出质疑。
（可选）建议第一作者在以后的论文拼写检查上多用点心，别再把 similarly 写成 similary 了。

⚠️ 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。

Searching Large Neighborhoods for Integer Linear Programs with Contrastive Learning