🔍 耿同学打假报告

论文信息

• 论文来源：The_Name_of_the_Title_Is_Hope__2_ (1).pdf
• 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：🟡 存疑

详细发现

发现 1：模型性能提升数据呈现“不自然的完美规律”

• 位置：Table 1 (Linear classification results)
• 描述：在 Table 1 的部分指标中，作者报告的数据呈现出极度不自然的“人工雕琢”痕迹。
• 证据：
  • COVIDx (ACC) 列中：Ours (1%) 为 82.3，Ours (10%) 为 92.3，Ours (100%) 为 96.0。从 1% 到 10% 的数据量增加，精度精确地提升了 10.0%。
  • CheXpert (AUC) 列中：Ours 在 1% 和 10% 数据下的表现竟然分毫不差，全都是 89.5。
  • 真实的深度学习训练由于随机种子、优化器抖动等原因，极少出现如此“整齐划一”的整数级提升或绝对雷同。这高度怀疑是手动填上去的假数据或进行了粗暴的凑数修改。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 2：图片像素级分析受限说明

• 位置：Figure 1 - Figure 6
• 描述：由于仅接收到纯文本流而缺少原始高分辨率图片文件，无法对论文中的网络架构图和 t-SNE 降维可视化图（如图5和图6）进行像素级比对和 PS 痕迹检测。
• 证据：N/A
• 严重程度：🟡（客观条件受限）
• 复核状态：⚠️ 依据不足

耿同学辣评

经过复核，原报告中指出 Table 4 和 Table 5 存在“薛定谔的 mAP”核心数据冲突的指控被推翻了（复核发现原报告自身看错了行，Table 4 和 Table 5 中 MGCA 的数据其实完美对齐，并无造假）。但是，这并不代表论文的数据就无懈可击！

在 Table 1 中，依然藏着让人迷惑的“完美数据”：在 COVIDx 数据集上，1% 到 10% 的精度不多不少正好提升了 10.0%；而在 CheXpert 数据集上，不同数据量下的 AUC 竟然分毫不差都是 89.5。真实的模型训练由于包含大量随机性，极少能跑出如此整齐划一的“整数规律”。虽然没有确凿的证据直接判处死刑，但这种“过于完美”的数据依然让人心里打鼓，建议作者能公开相关的实验日志以证清白。

建议后续行动

• 建议读者在引用该论文的 COVIDx 和 CheXpert 实验数据时保持谨慎。
• 若条件允许，可尝试联系作者要求提供 Table 1 相关实验的原始日志或随机种子，以验证“完美数据”是否为巧合。
• 关注学术界同行对该论文其他实验结果的复现情况。

⚠️ 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。