🔍 耿同学打假报告

论文信息

论文来源：arXiv:2404.13631 (Provided text)
标题：Fermi-Bose Machine achieves both generalization and adversarial robustness
作者：Mingshan Xie, Yuchen Wang, and Haiping Huang
期刊：Preprint (arXiv)
发表年份：2024 (Dated: July 19, 2024)

综合评定：✅ 清白（初步评估）

注：由于本文为纯理论计算与机器学习结合的预印本，主要包含数学推导（统计力学/平均场理论）和算法实验描述，未包含典型的湿实验图片（如 Western Blot、显微镜图）。因此基于文本的审查重点转向理论自洽性、时间线和超参数逻辑。

详细发现

发现 1：理论推导与实验设定的内部自洽性（通过）

位置：Appendix A & Appendix B
描述：在这类包含大量统计力学推导的论文中，最容易造假的地方是“编造”公式或照搬以前的工作。本文使用了副本法和腔法来推导 FBM 的自由能和消息传递方程。
证据：从公式 (B3) 到 (B24) 的推导逻辑严密，哈密顿量、熵项与能量项的变分推导均符合标准自旋玻璃理论框架。附录中给出的消息传递算法（BP/Cavity method）与正文中的局部对比学习逻辑自洽，未见明显的数学矛盾或抄袭前人公式的痕迹（公式均针对本文特定的 Fermion/Boson 对构建）。
严重程度：✅ 无异常

发现 2：实验超参数与时间线合理性（通过）

位置：Appendix A (Table I) & References
描述：检查机器学习实验设定的合理性及文献引用的年份。
证据：
1. 时间线检查：以当前日期（2026-06-17）审视，该论文写于 2024 年 7 月，引用的最新文献包括 Sora 模型（2024 年，Ref [3]）和 GPT-4 的早期实验（2023 年，Ref [2]），时间逻辑完全合理，未出现“引用了尚未发表的文献”或“使用了未来才开源的库”等穿越现象。
2. 超参数逻辑：网络结构设定为 784-1000-10，用于训练 1000 张 MNIST 图片。对于一个探索性理论验证模型，使用较小的数据集（1000张）和局部学习算法是合理的，避免了“小样本+复杂模型”导致的过拟合硬伤。
严重程度：✅ 无异常

发现 3：代码开源声明异常（轻微程序性问题）

位置：Reference [31] & Appendix A
描述：作者在参考文献和附录中声明：“Codes realizing the FBM training are available in our GitHub page [31] (to be released upon formal publication of the paper)”。
证据：虽然预印本声明“待正式发表后开源”是学术界的常见操作，但从打假的角度来看，理论+算法类论文如果迟迟不开源代码，将很难验证其“Double ascent”等实验结果。这不算造假，但属于学术审查中的“保留意见”。
严重程度：🟡 轻微/常规操作

发现 4：数据造假检测（局限性说明）

位置：Figures 2-6 (图片说明部分)
描述：在生物医学论文中，我们经常抓“数据过于完美”、“标准差完全一致”或“柱状图暗藏倍数关系”。
证据：本文文本中未提供包含具体数值的数据表格，无法进行末位数字分布（Benford定律）或方差齐性检验。文中所提及的“Error bars are computed from five independent runs”是机器学习论文的标配描述，合理合规。
严重程度：⚠️ 无法检测（文本缺乏底层数值）

耿同学辣评

这篇论文算是让我换了个赛道！没有 Western blot 的 PS 痕迹，也没有流水线般的生物实验假图。人家主打一个“硬核统计力学”，用自旋玻璃理论里的副本法去推导神经网络的局部学习规则。满篇的微积分和变分方程，这要是造假，那造假成本也太高了，估计连推导过程都要找个物理学博士来代笔。

唯一让耿同学我想要吐槽的是：都 2024 年了，还在 MNIST 这种“Hello World”级别数据集上做对抗攻击测试，甚至代码还要等“正式发表”才放出来——希望作者不是在憋大招洗代码吧！总体来说，理论推导硬核，逻辑闭环，是一篇正经做交叉学科理论探索的文章。

建议后续行动

（理论类文章无需采取维权行动）
如果未来该文正式发表，建议检查其最终版是否如约开源了 GitHub 源码，并跑一下代码看是否能复现 Figure 4 中的 Double Ascent 现象。
欢迎懂机器学习理论的同学在 PubPeer 上探讨其平均场近似（RS ansatz）在宽网络下的准确性。

⚠️ 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。
(特别说明：由于本次输入仅包含纯文本，缺乏高分辨率原图和数据底稿，本报告的图片操纵及统计学异常检测维度受限。)

Fermi-Bose Machine achieves both generalization and adversarial robustness