🔍 耿同学打假报告

论文信息

• 论文来源：arXiv:2404.13631 (文本来源)
• 标题：Fermi-Bose Machine achieves both generalization and adversarial robustness
• 作者：Mingshan Xie, Yuchen Wang, and Haiping Huang
• 作者单位：中山大学物理学院 PMI Lab 等
• 发表日期：2024年7月19日 (Dated: July 19, 2024)

综合评定：🟡 存疑 (方法学与验证层面)

(注：由于仅提供文本，无法进行像素级的图片造假分析。但从文本逻辑、实验设计和数据呈现上，发现了典型的"避重就轻"式包装痕迹。)

---

详细发现

发现 1：🟠 实验设计的"田忌赛马" (方法学异常)

• 位置：Figure 3 / Figure 4 文本描述处
• 描述：论文声称 FBM（本文提出的模型）在准确性和泛化性上击败了标准的 MLP（多层感知机）。然而，在实验设置中（Figure 3 caption），作者仅仅使用了 1000张 MNIST 手写数字进行训练，并用 4000 张进行测试。
• 证据：在当今深度学习领域，MNIST 的标准训练集是 60,000 张。使用仅 1000 张图片训练一个 784-1000-10 结构的标准 MLP，必然会导致严重的过拟合或性能低下。作者特意选择了一个对标准反向传播极其不利的"极小样本"环境，以此来衬托 FBM 的优越性。这就好比为了证明自己的三轮车跑得快，非要拉着别人的法拉利在泥地里比赛，胜之不武。
• 严重程度：🟠 (属于严重的夸大和选择性比较)

发现 2：🟡 代码与数据开源的"薛定谔状态"

• 位置：Appendix A 及 Reference [31]
• 描述：作者在文中声称 "Codes realizing the FBM training are available in our GitHub page [31] (to be released upon formal publication of the paper)"。
• 证据：结合当前基准日期（2026年6月17日），该论文标定的日期是2024年7月。通常预印本上线后数月便会正式发表，至今已近两年。如果代码仍未随着论文正式发表而公开，或者需通过邮件向作者讨要，这在计算科学领域是一种极其不规范的"空手套白狼"行为，极大阻碍了同行对 Figure 3-5 真实实验数据的复现。
• 严重程度：🟡

发现 3：🟡 "随机数生成器不如"式的低样本统计

• 位置：Figure 2, Figure 3, Figure 4 captions
• 描述：作者多次提到误差线的计算方式为 "Error bars are computed/estimated from five independent runs."（误差线由五次独立运行计算得出）。
• 证据：在统计机器学习的实验中，仅仅跑 5 次取平均值和标准差是非常脆弱的。由于随机种子的不同，深度学习模型（尤其是在小样本数据集上）在 5 次运行中的方差可能极大。用区区 5 次的结果来断言存在"双峰现象"（Figure 4）或鲁棒性优势，在统计学上是不严谨的。
• 严重程度：🟡

发现 4：🟢 附带数学计算的自洽性审查

• 位置：Appendix A: Algorithmic details of FBM training
• 描述：逐一检查了作者举例的配对计算逻辑。
• 证据：作者写道 "we have a total of 10 images... two images of handwritten digit zero and eight images of handwritten digit one. We thus have sixteen fermion pairs and twenty-nine boson pairs."
  • 费米子对（不同类）：2 × 8 = 16。（计算正确）
  • 玻色子对（同类）：Class 0 中选 2 个为 \(C_2^2 = 1\)；Class 1 中选 2 个为 \(C_8^2 = \frac{8 \times 7}{2} = 28\)。合计 1 + 28 = 29。（计算正确）
• 结论：此处造假者经常因为编写不出配对公式而露馅，作者的离散数学逻辑自洽，排除了低级编造的可能。
• 严重程度：🟢 (加分项)

发现 5：🟡 引用的"自产自销" (引用与方法学异常)

• 位置：References [10], [15], [16], [20], [27], [28]
• 描述：在短短 32 篇参考文献中，有 6 篇是通讯作者 Haiping Huang 的自引（甚至包括其撰写的书籍 [20]）。
• 证据：高达近 20% 的自引率虽然算不上学术不端，但典型的"学术圈子自嗨"特征明显。文章所引用的自己过往工作，多数用于支撑其"局部学习"和"生物学合理性"的直觉性假设，缺乏外部独立研究组的广泛交叉验证。
• 严重程度：🟡

发现 6：⚠️ 图表分析受限说明 (图片检测盲区)

• 位置：Figure 1 - Figure 6
• 描述：由于仅获得纯文本信息，未能提取出原始的高清图片。
• 证据：耿同学六式中的第一式（图片复用）、第三式（PS痕迹）在此类计算物理/机器学习纯理论偏交叉的论文中最常表现为：曲线的平滑度过高、散点图呈现非自然的完美正态分布、或不同条件下的理论曲线直接由同一个公式稍作平移生成。当前缺乏图片，无法坐实以上行为。
• 严重程度：信息缺失

---

耿同学辣评

"理论推导上天衣无缝，附带的数学验证也滴水不漏，这本是做计算物理的严谨基本功。但一到做实验环节就开始玩花活——拿着 1000 张图去碰瓷标准 MLP，跑 5 次就敢画误差线说自己是双峰，代码还要等'正式发表'才放（这一等就是两年起步）。这套'田忌赛马+薛定谔的代码'的组合拳，打得是真精明啊！理论做得这么扎实，何苦在实验设计上搞这种小动作呢？"

---

建议后续行动

• 访问作者提到的 GitHub 链接（https://github.com/PMI-SYSU/FBM），核实代码是否在 2026 年的今天真的开源。如果依然未开源，可直接判定其缺乏实验复现性。
• 若代码已开源，检查其 MLP 对照组的超参数调优情况（学习率、Epoch等），确认是否故意劣化了 MLP 的表现（即打败了"稻草人"）。
• 向作者发送邮件，要求提供构成 Figure 3 和 Figure 4 的原始实验 Logging 日志（如 TensorBoard 记录），以验证 5 次 independent runs 的真实性。
• 在 PubPeer 上提出质疑，重点探讨其实验设计（N=1000 训练集）在证明结论上的有效性问题。

⚠️ 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。