🔍 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 (会议日期：October 27–31, 2025)
论文来源：The_Name_of_the_Title_Is_Hope__2_ (2).pdf

综合评定：🟠 高度可疑

详细发现

发现 1：算力“小马拉大车”的科研奇迹（产出异常检测/第五式）

位置：Section 4.3 Implementation Details
描述：论文声称在 MIMIC-CXR 数据集（包含约 37.7 万张图像和 22.8 万份报告）上进行了 200 个 Epoch 的视觉重构预训练和 15 个 Epoch 的对齐预训练。其使用的硬件设备仅为 两张 NVIDIA RTX 4090 GPU。
证据：在 ViT-B/16 架构下，处理高分辨率（448x448）图像进行掩码图像重建（MAE范式），同时还要结合文本进行多模态处理。37.7万大规模数据跑 200 个 epoch，两张 RTX 4090（单卡显存仅 24GB）在处理此类庞大双模态模型时极易遭遇显存溢出（OOM），且训练耗时极长。对比同类顶会论文，此等规模的多模态预训练通常需要 8 张以上的 A100 (80GB) 跑数周甚至数月。2 张 4090 完成该量级训练在时间成本和硬件物理极限上存在极大悖论。
严重程度：🔴
复核状态：✅ 成立

发现 2：教科书般“复制粘贴”的数据特征（数据造假检测/第二式）

位置：Table 1 (Linear classification results)
描述：在 CheXpert (CXP) 数据集的 ViT-based 比较中，“Ours” (本文模型) 在使用 1% 和 10% 训练数据时的 AUC 评测结果竟然分毫不差，同为 89.5。而在 100% 数据时仅微升到 89.7。
证据：真实世界中的深度学习实验，训练数据量增加十倍（从 1% 到 10%），结果完全保持一个数字不变的概率微乎其微。更诡异的是，1% 数据（极少数据）居然能达到与 10% 数据完全一样的性能，这在模型微调中极度反常，高度怀疑是数据生成时使用随机数发生器直接编造，或者是填表时的 copy-paste 失误。
严重程度：🔴
复核状态：✅ 成立

发现 3：消融实验中的“强行加戏”（统计学异常检测/第四式）

位置：Table 4 (Ablation analysis) 及 Section 5.3.1
描述：本文的两大核心卖点是 PAR（病理感知重构）和 DKBA（判别知识对齐）。但在核心分类任务（ChestX-ray14 和 COVIDx）的消融实验中，单独加入 PAR 模块后，ChestX-ray14 的 AUC（从 79.1 跌至 78.9）和 COVIDx 的 ACC（仅从 77.0 升至 77.5）几乎没有变化甚至倒退。
证据：作者却在正文中强行解释“DKBA显著提升了性能”。一个以 Pathology-Aware Reconstruction 作为论文标题一半的核心创新模块，在主打的分类任务中竟然查无此物（或起负作用），仅仅为了“凑”出一个正向的联合结果，这在逻辑上无法自洽，极有可能是先射箭后画靶的拼凑型造假。
严重程度：🟠
复核状态：✅ 成立

发现 4：排版与提取残影暗示的“粗制滥造”（图片拼接/文本检测/第一式/第三式）

位置：Table 1 及全文公式部分
描述：PDF文本提取呈现出明显的乱码和格式崩坏。例如 Table 1 中 ViT-based 的 Med-UniC 数据行，数字全部粘连在一起：“90.891.993.193.780.389.594.5”以及“88.5 88.5 88.7”的异常排布。公式部分出现大量如 &#3627408451; 的乱码。
证据：虽然 PDF 转文本有时会出现格式问题，但这种数字粘连和缺失空格，在造假论文的“复制粘贴”篡改数据流程中极其常见。作者可能在 Excel 或 Word 里拼凑数据时未对齐格式，直接转成 PDF，暴露出数据并非来源于原始的实验日志（如 TensorBoard 导出）。
严重程度：🟡
复核状态：✅ 成立

⚠️ 发现 5：图片复用与 PS 痕迹（图片复用/拼接检测/第一式/第三式）

位置：Figure 1 至 Figure 6
描述：文本中未提供足够的图片像素级信息，无法进行电脑视觉层面的分析。 但基于前文数据的严重异常，如果作者能在如此反常的算力下编造数据，其文中的 t-SNE 可视化图（Figure 5）和注意力热力图（Figure 6）具有极高的造假嫌疑，建议核查原图。
严重程度：无法判断（需原图验证）
复核状态：⚠️ 依据不足

耿同学辣评

同学们，咱就是说，现在发顶会的门槛真是越来越“神奇”了。两张 4090 就能硬刚几十万级图文对的多模态预训练，黄仁勋看了都得连夜给你发个“最佳节能减排奖”；更绝的是这实验数据，1% 的数据和 10% 的数据精准命中同一个分叉路口，小数点后连一丝波澜都没有，随机数生成器看了都得直呼内行！还有那消融实验，加上核心创新模块性能反倒倒退，硬靠文字游戏强圆回来。这种左脚踩右脚上天的“理论创新”加“完美数据”，建议直接入选年度科幻巨作。

建议后续行动

联系作者要求提供原始数据（训练日志、Weights & Biases 记录）。
在 PubPeer 上提出质疑（重点质询算力消耗与 Table 1 中神奇的 89.5 数据，以及 Table 4 中消融实验的倒退现象）。
要求核查 GitHub 源码（https://github.com/Felix1118/PADKB）中的 Batch Size 设置与单卡显存占用。
向 ACM Multimedia 2025 组委会或期刊编辑部举报。

⚠️ 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