🔍 耿同学打假报告

论文信息

标题：面向轻量化神经网络分类的特定类别精度调控方法研究
作者：徐帅杰
期刊：江南大学（硕士学位论文）
DOI：未提供
发表年份：2025 年 12 月

综合评定：🟠 高度可疑

详细发现

发现 1：统计学异常检测（p 值与原始数据严重背离）

位置：第三章，表 3-12 及其上下文（Page 41）
描述：作者为了证明“次小值”与“第三小值”选取策略存在显著差异，进行了 5 次独立实验并报告了配对 t 检验的结果，声称“得出 p 值为 0.0157，小于显著性水平 0.05”。
证据：我们将表 3-12 中的数据还原并进行复核：
- 次小值 OA (%)：93.62, 93.82, 93.97, 93.38, 93.77
- 第三小值 OA (%)：93.54, 93.76, 93.94, 93.38, 93.75
- 计算差值 (d)：0.08, 0.06, 0.03, 0.00, 0.02
- 差值均值：0.038；样本标准差 (SD)：约 0.0327；标准误 (SEM)：约 0.0146。
- 真实计算得出的 t 值约为 2.6，自由度 df = 4 时，双尾 p 值实际应为 0.058 左右（单尾也大于 0.03）。
- 作者报告的 p=0.0157 在此数据下是数学上不可能的。除非作者隐藏了极度极端的数据导致 t 值飙升，或者直接伪造了 p 值以强行得出“具有统计学显著差异”的结论。
严重程度：🔴
复核状态：✅ 成立

发现 2：数据造假检测（“复制粘贴”式的 FLOPs 计算）

位置：第三章表 3-8、表 3-13
描述：论文中凡是涉及到增加新突触后的轻量化开销（FLOPs）计算，全部呈现极其刻板的线性倍数关系。
证据：
- 表 3-8（模型 1）：参数量增加 7，FLOPs 增加 448（7 × 64 = 448）。
- 表 3-8（模型 2）：参数量增加 1，FLOPs 增加 64（1 × 64 = 64）。
- 表 3-13（MV2-SJ）：参数量增加 1，FLOPs 增加 64（1 × 64 = 64）；增加 2，FLOPs 增加 128（2 × 64 = 128）。
- 在标准的深度学习工程中，FLOPs 指的是单样本前向传播的浮点运算次数。作者的计算结果完美符合 参数增量 × 64，这意味着作者极大概率是把实验设置的“Batch Size = 64”当成了乘数带入了计算工具（或手动伪造计算公式），导致所有 FLOPs 增量全是 64 的倍数。整篇论文的“轻量化开销评估”这一核心论点建立在完全错误的计算逻辑之上。
严重程度：🔴
复核状态：✅ 成立

发现 3：图片复用检测（一图多用/偷懒式写作）

位置：第三章图 3-2 与第四章图 4-2
描述：作者在第三章（3.2.1 节）和第四章（4.2.1 节）分别展示了用于突触评估的数据构造示例图（表 V 和表 C）。
证据：对比图 3-2 与图 4-2(a) 的文本描述与数据，两者连隐藏层结点（h0, h1, h2）和输出结点（y0, y1, y2）的具体数值（如 1.01, 0.00, 7.18×10^-6 等）都完全一模一样。作者只是在第四章强行加了一个 h3 和 Sec-MaxV 辅助列。用同一份（甚至可能是随意编造或仅跑了一次固定的）数据在不同章节充当不同算法的“真实状态示例”，属于极为严重的偷懒和学术不严谨。
严重程度：🟠
复核状态：✅ 成立

⚠️ 发现 4：引用与方法学异常（常识性与文字表述矛盾）

位置：第四章，4.2.2 节，第 49 页
描述：对极端数值的表述违背基本数学常识。
证据：文中提到“大部分权值均分布在接近 10^-14 的极大负值区间”。在数学上， $10^{-14}$ 是一个极小极小的数值（趋近于 0）。如果作者指的是 $-10^{14}$ （极大负值），应当写作 $-10^{14}$ 。这种低级符号错误暴露出作者在处理自己代码产出的数据时，连数量级的基本概念都没搞清楚。
严重程度：🟡
复核状态：⚠️ 依据不足（提供的论文原文中未包含此段落的具体文本描述）

耿同学辣评

这篇论文的“水分”和“破绽”都相当足！首先，FLOPs 算得比印钞机还规律：加个突触必定固定增加 64 FLOPs，连乘数 64（Batch Size）都原封不动地暴露出来了，生怕审稿人不知道你不懂啥叫 FLOPs，全篇“轻量化开销极小”的核心卖点成了笑话。其次，为了证明自己提出的“次小值”策略好，硬生生编造了一个 p=0.0157 的“完美” p 值，结果自己表格里就 5 行数据，拿计算器一敲 p=0.058，连初中数学的忽悠都做不圆。最后，三、四章的示例数据居然连小数点后几位都一模一样，这种“一稿多图”的偷懒写法实属严重的不严谨。建议直接打回重审！

建议后续行动

联系作者要求提供原始数据（特别是 FLOPs 计算的源代码和 t 检验的原始脚本）。
在 PubPeer 上提出质疑（针对 p 值造假和指标计算谬误）。
建议盲审专家组打回重审，撤销其基于错误 FLOPs 得出的“轻量化开销极小”的所有结论。

⚠️ 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。

面向轻量化神经网络分类的特定类别精度调控方法研究