🔍 耿同学打假报告

论文信息

• 标题：Pathology-Aware Reconstruction with Discriminative Knowledge Boosting Alignment for Che-Xray Vision-Language Pre-training
• 作者：Lihong Qiao, Shiyi Gao, Yucheng Shu, Bin Xiao, Weisheng Li, Xinbo Gao
• 期刊/会议：Proceedings of the 33rd ACM International Conference on Multimedia (MM ’25)
• DOI：https://doi.org/10.1145/3746027.3755336
• 发表年份：2025

综合评定：🟠 高度可疑

详细发现

发现 1：核心主表与消融实验表数据严重自相矛盾

• 位置：Table 1 (线性分类结果) vs. Table 4 (消融实验) / Table 5 (消融实验)
• 描述：论文声称在 ChestX-ray14 数据集上使用 1% 的训练数据。在核心主表 Table 1 中，作者报告自己的模型取得了 81.4 的 AUC。然而，在同样使用 1% 训练数据的 Table 4 完整模型消融结果（PAR + DKBA）中，ChestX-ray14 的 AUC 却变成了 80.8；在 Table 5 的消融实验中，使用最佳前置模型 MGCA 的 AUC 也是 80.8。
• 证据：
  • Table 1: ChestX-ray14 (1%) -> Ours = 81.4
  • Table 4: ChestX-ray14 (1%) -> Full Model (PAR+DKBA) = 80.8
  • Table 5: ChestX-ray14 (1%) -> MGCA prior = 80.8
  • 同一个实验配置（1% 数据 + 提出的完整模型），在主表中为了“超越”其他 SOTA，结果被人为拔高（或至少出现了不一致），而在消融表中却暴露了真实的较低数值。这种核心指标在同篇论文内相差 0.6 个百分点，绝非简单的计算误差。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：消融实验结果违背基础数学/逻辑常理

• 位置：Table 4 (Ablation analysis)
• 描述：Table 4 旨在证明作者提出的两个模块（PAR 和 DKBA）的有效性。然而，对于 ChestX-ray14 数据集，不使用任何模块的 Baseline 结果为 79.1；单独加入 DKBA 模块后，结果大幅提升至 81.0；但是，当在 DKBA 的基础上再加入本文的核心标题模块 PAR 时，结果竟然下降到了 80.8。
• 证据：81.0 (DKBA) > 80.8 (PAR + DKBA)。这直接证明了 PAR 模块在 ChestX-ray14 分类任务中起到了负作用。但作者在正文中却大言不惭地宣称“(2) The discriminative knowledge boosting alignment (DKBA) enhances representation learning, yielding performance gains of 5% on COVIDx and 2% on ChestX-ray14... These results collectively validate the complementary benefits of PAR...”。使用让性能变差的模块作为论文的核心创新并写在标题里，属于严重的学术结论造假。
• 严重程度：🔴
• 复核状态：✅ 成立

⚠️ 发现 3：图片与像素级操作无法验证

• 位置：全篇 Figures (Figure 1-6)
• 描述：论文包含了大量模型架构图、热力图和 t-SNE 特征可视化图。由于仅能获取纯文本内容，无法进行高分辨率的像素对比及一图多用检测，无法判断其 t-SNE 图是否经过了人工刻意挑选。
• 证据：原文提供了相关的 Figure captions 描述（如 "t-SNE visualization of the high-level embeddings..."），但受限于文本形式，无法获取像素级证据进行真伪复核。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇 ACM Multimedia 2025 的文章真是把“大家来找茬”玩到了极致。前脚在 Table 1 里为了力压群雄，把自己的 AUC 写成 81.4；后脚在 Table 4 的消融实验里，不小心露出了马脚（80.8）。更搞笑的是，为了硬凑自己标题里的两大“法宝”（PAR 和 DKBA），发现在 ChestX-ray14 数据集上加上核心模块 PAR 后，性能居然比不加还低！大哥，你标题叫 Pathology-Aware Reconstruction，结果这玩意儿在核心实验里是个负面 Buff？这哪是做实验，这简直是随机数生成器加上排版时的“手滑”啊！连自己的消融实验数据都圆不上，把负优化写在标题里，这是对学术诚信的精准定向爆破。

建议后续行动

• 联系作者要求提供原始实验日志（如 TensorBoard 日志），核验 1% ChestX-ray14 数据集上到底跑出来是 80.8 还是 81.4。
• 在 PubPeer 上提出质疑，曝光 Table 1 与 Table 4 的数据冲突，以及 PAR 模块的负效应问题。
• 向 ACM MM 2025 会议编辑部举报，要求其澄清并更正（或撤稿）。
• 建议核查论文图片（如 t-SNE 可视化图）是否存在挑选最美结果的误导性展示。

⚠️ 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。