🔍 耿同学打假报告

论文信息

• 标题：Fermi-Bose Machine achieves both generalization and adversarial robustness
• 作者：Mingshan Xie, Yuchen Wang, Haiping Huang
• 单位：中山大学物理学院 PMI Lab / 广东省磁电物理与器件重点实验室
• 期刊/来源：arXiv 预印本 (arXiv:2404.13631)
• 发表年份：2024年 (Dated: July 19, 2024)

综合评定：✅ 清白 (基本排除伪造常规实验数据的嫌疑)

(注：由于本论文是一篇典型的理论物理与机器学习交叉的硬核推导文章，以公式推导和计算模拟为主，并非传统的生物/医学实验论文。因此，“耿同学六式”中针对生物实验图片(Western Blot等)、临床样本数据的检测维度面临“拔剑四顾心茫然”的状况。但基于文本和现有信息，依然可以进行逻辑与严谨性审查。)

详细发现

发现 1：图片像素与伪造检测受限（一图多用与PS痕迹无法判定）

• 位置：Figure 1 - Figure 6
• 描述：由于提交审查的文本为纯文本与 LaTeX 公式构成，未包含原始的高清图片文件（仅有图注）。
• 证据：在纯文本环境下，无法进行背景噪点比对、灰度直方图分析或边缘裁切检测。
• 严重程度：🟡 (信息不足)
• 耿同学注：想做图像取证，但手里没图，这就像让法医隔着电话听诊，巧妇难为无米之炊。不过从图注的严谨逻辑来看，没有出现明显的“左手第六指”之类的描述错误。

发现 2：数据造假检测（缺乏可复算的表格数据）

• 位置：全文 Result 部分及 Table I
• 描述：文中仅包含一张超参数表（Table I），其余均为统计力学推导的解析公式（如配分函数、自由能等）和神经网络的标量精度（如 74.6%, 54.5%）。没有包含大量均值±标准差的实验数据表，无法进行末位数字分布规律分析。
• 证据：作者明确提到“Error bars are computed from five independent runs”（误差棒来自5次独立运行）。在机器学习领域，跑5次取平均是极其标准的常规操作。
• 严重程度：✅ (逻辑自洽)

发现 3：时间线与引用逻辑验证（第六式：方法学与时间线异常）

• 位置：致谢部分 与 参考文献 [31]
• 描述：论文写明受益于 2023年11月16-18日在京都大学举办的研讨会，论文落款时间为 2024年7月19日，arXiv 编号为 2404（2024年4月）。
• 证据：时间逻辑完全合理（2023年底开会 -> 2024年初整理预印本 -> 2024年中定稿）。当前时间是 2026年06月17日，距离论文发表已过去两年。
• 重点排查：参考文献 [31] 提到 “Codes... (to be released upon formal publication of the paper)”。以当前 2026 年的时间点来看，这篇论文若已正式发表，其 GitHub 代码（https://github.com/PMI-SYSU/FBM）理应已经开源。读者可直接前往该开源仓库验证其 FBM 算法是否如文中公式 (A3)-(A6) 所写。
• 严重程度：✅ (无异常)

发现 4：统计学异常检测（机器学习的“标准差”）

• 位置：Results 部分
• 描述：没有 p 值，没有 ANOVA 检验。
• 证据：这是标准的 Physics / ML 交叉论文范式。评估指标是泛化损失（Generalization loss）和对抗精度。理论推导使用了复杂的 Replica Method（副本法）和 Cavity Method（腔法），属于统计物理的高阶操作。这种硬核理论推导如果不符，审稿人一眼就能看出来，很难通过“伪造数据”来掩饰理论缺陷。
• 严重程度：✅ (无异常)

耿同学辣评

这篇论文一上来就给我整了一大屏的配分函数 \(Z(\beta, D, \lambda_w, d_F)\) 和副本法求导，看得我直掐人中——我这双专门逮“Western blot 重复条带”和“p值精确到小数点后8位”的火眼金睛，遇到统计力学公式就像一拳打在棉花上，毫无用武之地啊！

不过话说回来，咱们打假讲究的是“系统性与方向性”。这篇文章的逻辑链条非常严密：先用高斯混合玩具模型推出理论解析解，再用 MNIST 验证，最后还给出了对抗攻击的数学定义。通篇没有那种“好得不真实”的完美实验数据，只有踏踏实实的偏微分方程。只要作者在 GitHub 上开源的代码能跑出图 3 里那个 784-1000-10 结构的 MNIST 分簇效果，这就一篇靠谱的理论工作。人家这叫用物理的剑，斩 AI 的龙，我给不出红灯，只能给个大大的服气。

建议后续行动

• 既然当前已是 2026 年，直接访问作者提供的 GitHub 仓库 (PMI-SYSU/FBM)，检查代码逻辑是否与正文 Appendix A 中的局部对比学习更新规则一致。
• 若代码未开源或与公式不符，再在 PubPeer 上对作者进行“礼貌的问候”与质疑。
• 联系作者要求提供原始数据（理论文章不需要原始实验数据，代码即原始数据）。

⚠️ 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。此外，因输入仅为纯文本，无法进行图像像素级别的法医学鉴定，若后续补充图像存在明显造假，本结论不适用。