🔍 耿同学打假报告

论文信息

• 标题：基于知识图谱的属性自适应授权模型研究
• 作者：劳启迪
• 期刊：硕士学位论文（佛山大学，Foshan University）
• DOI：无（学位论文）
• 发表年份：2024年5月

综合评定：🟡 存疑

详细发现

发现 1：数据推导逻辑严密的可怕（数学自洽性检查）

• 位置：第三章 表3.3 vs 第四章 4.4.1 vs 第五章 5.4
• 描述：在审查数据流转时，发现这篇论文的数据集总量演变展现了“教科书级”的严谨。第三章表3.3中原始策略集为 28843 条记录；第四章 4.4.1 节通过算法检测出 410 对冲突规则，并在消解阶段将其中一条规则置为无效或修改；第五章 5.4 节用于训练分类器的数据集刚好是 28433 条（28843 - 410 = 28433）。
• 证据：28843（原始） - 410（冲突消解） = 28433（训练集）。虽然这种数学计算完全自洽是好事，但由于其关联得严丝合缝，连实验中淘汰的样本数都能在下一章完美对上，缺乏真实实验操作中常有的意外数据丢失，建议核实实验记录。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 2：机器学习方法学存在致命漏洞（SMOTE过采样滥用）

• 位置：第五章 5.4 属性自适应授权分类器实验
• 描述：论文在面对正负样本极度不平衡（负样本仅占5.1%）时，使用了 SMOTE 算法，并在表 5.2 中得出了极其华丽的指标：随机森林（授权分类器）的精确度高达 99.8%，负样本识别率从未平衡的 22.0% 直接飙升到 94.0%。
• 证据：论文原文描述为“实验将数据集随机划分为训练数据集（占80%）和测试数据集（占20%）……实验对各分类模型使用了SMOTE算法”。如果作者是在划分数据集之前对整体数据进行了 SMOTE 过采样，这会导致严重的数据泄露——合成样本的特征会越过训练集和测试集的边界，造成模型评价指标“虚高”的假象。这种“好得离谱”的数据往往是由于方法学流程的错误（先SMOTE后划分），而非模型真实的泛化能力。
• 严重程度：🟠
• 复核状态：⚠️ 依据不足

⚠️ 发现 3：图查询语句的暗坑（方法学自洽性）

• 位置：第四章 表4.5 基于 ABAC 授权知识图谱的冲突规则检测 Cypher 语句
• 描述：作者使用 Neo4j 的 Cypher 语句来验证冲突规则。语句模式为 MATCH(p1:People)-[ac1:access_control]->(r:Resource)<-[ac2:access_control]-(p1:People)。
• 证据：这里用 p1:People 作为唯一主体节点去同时发出两条关系指向同一个资源。在 Neo4j 的图模式匹配中，这确实能找出同一用户对同一资源拥有多条操作记录的情况。但结合前文，作者的数据是从扁平的亚马逊数据集（Amazon Access Samples Data Set）转换来的，原图谱在构建 access_control 关系时已经将 Read/Write/Execute 聚合成了属性。这种基于属性值的差异匹配在实际的图数据库查询中效率极低，且极易因为数据清洗时的去重操作导致漏报。虽然不算造假，但反映了该图谱实验可能只是为了凑工作量而做的“伪图查询”。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

⚠️ 发现 4：图片与拼图检测缺失

• 位置：全文
• 描述：由于仅提供了文本提取内容，缺失了 Figure 3.1、Figure 3.2、Figure 5.7 等关键的图表视觉信息。
• 证据：文本中未提供足够的图片信息，无法进行像素级分析，无法判断 Western Blot 或者机器学习模型架构图是否存在一图多用或抄袭现象。
• 严重程度：无法判断
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇论文的数据闭环简直是“断头台式”的严丝合缝——上一章删了几条数据，下一章的输入数据池刚好少了几条，这数据集闭环玩得比德芙还要丝滑，这种数据数量上的硬性扣减对得上确实让人称奇。至于机器学习和图谱查询部分，虽然展现出了指标高得离谱和图查询略显冗余的现象，但由于缺乏作者源码的执行顺序作为铁证，目前只能暂列存疑。建议查查源代码，看看是不是新手村操作导致的指标虚高！

建议后续行动

• 联系作者要求提供分类器训练的源代码，确认 SMOTE 算法执行与 Train/Test Split 的先后顺序，以排除数据泄露嫌疑。
• 联系作者要求提供原始的亚马逊数据集处理脚本，验证 410 对冲突数据的真实性以及数据集总数锐减 410 条的实际操作逻辑。
• 如有确凿证据证明其存在机器学习方法学错误导致结论虚高，可在相关学术论坛提出讨论。

⚠️ 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。