🔍 耿同学打假报告

论文信息

标题：Calibrating Uncertainty for Zero-Shot Adversarial CLIP
作者：Wenjing Lu, Zerui Tao, Yuning Qiu, Dongping Zhang, Yang Yang, Qibin Zhao
期刊/会议：Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
DOI/ArXiv：arXiv:2512.12997v3 [cs.CV]
发表年份：2026
论文来源：UCAT(Calibrating Uncertainty for Zero-Shot Adversarial CLIP).pdf

位置：Table 1 / Table 2 / Appendix Table 5-10
描述：对论文中报告的核心指标（如准确率 Acc、F1-score 和 Harmonic Mean H）进行了反向数学推导与交叉验证。在零样本对抗鲁棒性研究中，原始 CLIP 面对强力白盒攻击（如 AutoAttack）时，准确率断崖式下跌至近乎 0（如 Table 2 中的 0.51%, 1.01%）是完全符合领域常识的真实物理现象，而非“完美造假”。
证据：抽查 Table 1 中 UCAT 的 Clean F1@3（42.07）与 Adversarial F1@3（37.04），根据公式 $H = 2 \times a \times b / (a + b)$ 计算其调和平均数 H(F1@3)，理论值应为 39.38，论文报告为 39.40，误差在四舍五入的合理范围内。此外，对照实验（Baseline）的衰减趋势符合不同攻击算法（PGD vs CW vs AutoAttack）的破坏力梯度，未发现“随机数生成器批量编造”的痕迹。
严重程度：🟢 正常（非异常，作为清白证据）

位置：Header / References / Appendix
描述：本报告基于【当前日期：2026-06-17】对论文的产出周期和引用时间线进行审查。论文宣称发表于 ICML 2026（首尔），ArXiv 版本更新时间为 2026年 6月5日（v3）。
证据：ArXiv 编号为 2512.12997，前缀 2512 完美对应首次提交时间（2025年12月）。从 2025年底投稿、2026年初接收、到 2026年6月更新 Camera-ready（终稿）版本，时间线严丝合缝。参考文献中出现了《CVPR 2025》以及《TPAMI 2026》（Yu et al.），考虑到 TPAMI 常见的 Early Access 在线预发表机制，引用 2026 年的文献在 2026 年 6 月的论文中是高度合理且严谨的。
严重程度：🟢 正常

位置：Section 4 (Dirichlet Reformulation) & Appendix C.1
描述：论文的核心创新是将 CLIP 的 Logits 重参数化为 Dirichlet 分布的浓度参数。作者给出了映射函数 $h(\ell) = (\tau\ell + 1) / \tau'$ ，并在附录中严格证明了由于余弦相似度 $\langle v, t \rangle \in [-1, 1]$ ，映射后的值域能够保证 Dirichlet 参数的非负性（Lemma 4.3）。
证据：许多 AI 造假论文在引入复杂数学公式时常常“虎头蛇尾”，实验设置与理论推导脱节。但本论文在 Appendix C.1 中极其坦诚地讨论了工程实现时的“数值稳定性”问题：作者承认当 $\tau$ 太小（如 0.01）时，证据深度学习（EDL）中的 Epistemic Uncertainty (EU) 会趋于 0，因此实际计算 EU 时采用了 $\tau \approx 0.07$ 。这种主动暴露代码细节与方法学妥协的做法，是真实科研探究的典型特征，排除了凭空捏造方法的可能性。
严重程度：🟢 正常

状态：无法检测。
原因：由于本次输入仅包含文本提取内容，未提供 Figure 1-7 的原始像素级图像。且本论文属于深度学习理论/实验交叉领域，图表多为分布拟合曲线（CDF）、超参数敏感性折线图及柱状图，不涉及传统生物医学论文中的 Western Blot、凝胶电泳或显微图。在缺乏源图片的情况下，无法进行像素级克隆或拼接检测。基于现有文本，未发现描述性文字与图表内容的矛盾。

这篇论文写得就像尖子班的期末答卷——数学推导严丝合缝，时间线挑不出毛病，甚至附录里还主动交代了自己为了跑通代码在温度参数上做了哪些妥协。随机数生成器都编不出这么硬核且带有“工程泥泞感”的实验细节！想从这里找学术不端，不如去查查为什么 CLIP 的鲁棒性被按在地上摩擦还能被人家优雅地救回来。

无需联系作者要求提供原始数据（数据自洽性良好）。
无需在 PubPeer 上提出质疑。
无需向期刊/会议编辑部举报。
（可选）如果后续获取了完整的 PDF 源文件，可对 Figure 2（机制示意图）和 Figure 4-7（柱状图）进行视觉渲染检查，以完成 100% 的闭环验证。

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。