🔍 耿同学打假报告

论文信息

论文来源：The_Name_of_the_Title_Is_Hope__2_ (2).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：ACM International Conference on Multimedia (MM '25)
DOI：https://doi.org/10.1145/3746027.3755336
发表年份：2025 (预期发表于 2025年10月)

综合评定：🟠 高度可疑

详细发现

发现 1：数据异常（违背常理的零变化）

位置：Table 1 (CXP数据集结果)
描述：在 ViT-based 方法的 CXP (CheXpert) 数据集对比中，本文 "Ours" 的结果在 1% 和 10% 训练数据下的 AUC 指标竟然完全一致，均为 89.5%。
证据：真实模型在 1% 和 10% 数据量下的线性探测结果绝对不可能没有丝毫波动。1% 的数据具有极大的随机性，10% 数据量增加必然导致 AUC 发生改变。两个数据量级下出现完全相同的两位小数 (89.5)，这连随机数生成器都很难做到，高度怀疑是手动编造或拼凑数据时的复制粘贴失误。
严重程度：🔴
复核状态：✅ 成立

发现 2：文本与表格逻辑严重冲突（自己打自己的脸）

位置：Table 4 与第 5.3.1 节文字描述
描述：在消融实验中，作者声称验证了两个模块的"互补优势"（complementary benefits）。但看 Table 4 的 ChestX-ray14 (AUC) 列：仅使用 DKBA (× ✓) 时得分为 81.0；当同时加入本文吹爆的核心模块 PAR 后 (✓ ✓)，得分反而下降到了 80.8。
证据：如果加入一个模块导致核心分类指标下降，这就叫"负迁移"，根本不能称为"互补"。作者在正文中大言不惭地写着 "validate the complementary benefits"，明显是把数据往自己脸上贴金，连自己造出来的数据都不看一眼就硬编结论。这是典型的AI生成文本或赶工造假论文常犯的低级逻辑错误。
严重程度：🔴
复核状态：✅ 成立

发现 3：图表拼接与排版异常（Copy-paste 痕迹）

位置：Table 1 部分数据排版、Section 3.2 公式 (5) 上方文本
描述：Table 1 中 Med-UniC* 的 ViT-based 结果部分，数字与下一行的数字挤在一起（"90.891.993.193.780.389.594.5"），排版极为混乱，存在不同格式文本强行拼接的特征。此外，第3.2节中 "global text representations t. we compute the cosine similarities..." 一句中，"t." 后面的 "we" 突然变成小写，且前半句截断感极强，极度怀疑方法部分是东拼西凑出来的。
证据：顶级会议（如 ACM MM）的排版通常非常严谨。这种连小写字母和表格对齐都没处理的稿件，反映出作者极度草率的态度。
严重程度：🟡
复核状态：✅ 成立

⚠️ 发现 4：图片复用与拼接检测（无法执行）

位置：Figure 1 - Figure 6
描述：由于当前仅提供纯文本数据，无法进行 Western Blot 泳道、像素级显微镜图复用等“耿同学六式”中的图像视觉鉴定。
证据：文本中未提供足够的图片像素信息，暂无法判断 Figure 5 的 t-SNE 可视化图是否存在丢包/重叠等 PS 痕迹。
严重程度：N/A
复核状态：⚠️ 依据不足

耿同学辣评

这篇论文的数据和结论简直是漏洞百出，硬把读者当傻子！Table 1 里面 1% 和 10% 数据跑出来的 AUC 居然连小数点后都一模一样（89.5），真当深度学习训练是按计算器吗？更离谱的是 Table 4 的消融实验，加上引以为傲的 PAR 模块后，ChestX-ray14 的 AUC 直接从 81.0 掉到了 80.8。指标不升反降，正文里竟然还大言不惭地吹嘘“验证了它们的互补优势”，这是明目张胆地把负优化当优点吹！更别提 Table 1 里乱成一锅粥的数字排版（90.891.993.1...）和正文 3.2 节里莫名其妙的小写“t. we compute”。连造假数据都懒得对齐一下逻辑，连排版校对都不做，这糊弄学玩得也太溜了吧！

建议后续行动

联系作者要求提供线性探测的原始 log 文件以及交叉验证的方差，重点核查 CXP 数据集中 1% 和 10% 数据结果完全一致的原因。
在 PubPeer 上提出质疑，指出其核心结论与消融实验数据存在直接冲突（负优化被宣称为互补）。
向会议（ACM MM）编辑部举报其存在数据伪造嫌疑及极度草率的学术态度。

⚠️ 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 Che-Xray Vision-Language Pre-training