🔍 耿同学打假报告

论文信息

标题：Pathology-Aware Reconstruction with Discriminative Knowledge Boosting Alignment for CheXray Vision-Language Pre-training
作者：Anonymous Author(s)
期刊/会议：MM '25 (ACM Multimedia 2025, Dublin, Ireland) 投稿
DOI/ID：Submission Id: 3264
发表年份：2025 (投稿阶段)
论文来源：3264_Pathology_Aware_Reconstru.pdf

综合评定：🔴 实锤

详细发现

发现 1：核心消融实验数据“撞车”，存在复制粘贴或编造嫌疑

位置：Table 4 与 Table 6
描述：作者在 Table 4 中展示了核心模块（PAR 和 DKBA）的消融实验结果，而在 Table 6 中展示了不同训练策略（单阶段、联合、级联）的消融结果。对比这两张表的核心数据，出现了极其荒唐的数学重合。
证据：
- 看 Table 4：当不使用 PAR 且不使用 DKBA 时（即 Baseline），COVIDx 的 ACC 为 77.0，SIIM 的 Dice 为 64.9。
- 看 Table 6：在 Joint Training（联合训练）设置下，作者明明使用了包含 PAR 的 L_rec（见正文公式12）和包含 DKBA 的 L_align（见正文公式13），但其报告的 COVIDx 的 ACC 也是 77.0，SIIM 的 Dice 是 64.6。
- 矛盾点：加了你们引以为傲的两个核心创新点（PAR+DKBA），结果和什么都没加的 Baseline 表现一模一样（甚至在 SIIM 数据集上还出现了性能下降）？如果创新点在联合训练下毫无作用，作者又怎么能得出“联合训练会引发梯度冲突导致性能下降”的结论？这说明数据极度可能是为了凑出“级联训练最好”的结论而随意编造或直接复制粘贴的。
严重程度：🔴
复核状态：✅ 成立

发现 2：参考文献张冠李戴与格式崩坏

位置：References & Section 2.1/2.2 全文
描述：作为 MM 这样顶级会议的投稿，引用出现了极为低级的拼写错误和标号错乱，侧面反映了论文打磨极度粗糙，甚至有赶工拼凑的痕迹。
证据：
1. 正文第 204 行提到：“Med-Unic [23] integrates multimodal medical data...” 然而翻看文末参考文献，[23] 是 SAT (Bo Liu et al., 2023)，而 Med-UniC 实际上是文献 [33]。作者连自己对标的最强基线（SOTA）的引用都能搞错。
2. 参考文献 [10] 作者名字直接漏了字母：“aohua Zhai”（应为 Zihang Zhai），缺失了首字母。
3. 提取的 PDF 代码段中存在大量乱码符号（如正文公式区域的 &#3627408451;），这在编译时通常是因为作者使用了不规范的 PDF 转换或非官方 LaTeX 模板，暴露出稿件极其不严谨。
严重程度：🟠
复核状态：✅ 成立

⚠️ 发现 3：实验数据异常“完美”且缺失基本统计量

位置：Table 1, Table 2, Table 3
描述：在多个数据集的不同比例（1%, 10%, 100%）下，提出的方法（Ours）全面碾压所有其他方法，但全篇没有提供任何标准差（std），且提升幅度显得过于戏剧化。
证据：以 Table 1 的 COVIDx 数据集为例，Med-UniC（使用了额外数据）在 100% 数据下的 ACC 为 94.5%，而本文方法在没有额外数据的情况下竟然达到了惊人的 96.0%。此外，所有表格的数据呈现“阶梯式”完美上升，没有一次意外的下滑。
严重程度：🟠
复核状态：⚠️ 依据不足（注：未提供标准差和性能暴涨属于结果异常的常见特征，但需结合实际代码和日志才能确认为造假，暂列为存疑依据）

耿同学辣评

这篇论文真是把“一本正经地胡说八道”演绎到了极致。Table 4 和 Table 6 的数据直接上演了一出“李鬼遇李逵”——加了核心创新模块（联合训练）的数据，竟然和不加模块的 Baseline 数据神奇地撞车了，甚至还在某些数据集上出现了倒退！随机数生成器都不敢这么编数据，审稿人如果能看到这出戏码，估计连底裤都能给你扒出来。另外，这篇稿子的排版和引用也是一塌糊涂，对标模型都能标错文献，作者名字还能漏字母，全文还夹杂着一堆乱码，连基本的严谨性都没有，强烈建议直接 Strong Reject！

建议后续行动

联系作者要求提供原始数据（特别是 Table 4 和 Table 6 的实验日志）。
在 PubPeer 上提出质疑（公开表格数据互相打脸的证据）。
向期刊/会议编辑部举报（作为 ACM MM 2025 的审稿人，直接 Strong Reject）。

⚠️ 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。

Pathology-Aware Reconstruction with Discriminative Knowledge Boosting Alignment for CheXray Vision-Language Pre-training