🔍 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：暂无（处于 ACM MM 2025 投稿阶段，Submission Id: 3264）
• DOI：暂无
• 发表年份：投稿目标年份 2025
• 论文来源：3264_Pathology_Aware_Reconstru (1).pdf

综合评定：🟡 存疑

详细发现

发现 1：引用错乱与方法学常识错误（引用与方法学异常）

• 位置：Section 5.2 (第 880-882 行) 与 Section 5.4.2 (第 923-925 行)
• 描述：文章出现了多处引用与学术常识严重脱节的“复制粘贴”遗留问题。
  • 在 5.2 节中写道：“the reconstruction-based MRM [45] outperforms MGCA [11] and Med-Unic [33]”。但翻看参考文献，[11] 引用的是 He et al. 的 MAE (Masked Autoencoders)，而 MGCA 应该是引用 [34]（Wang et al.）。MAE 是纯视觉的自监督模型，MGCA 是多模态对齐模型，两者风马牛不相及。
  • 在 5.4.2 节写道：“While MGCA [11] employs cluster alignment”，再次将 MGCA 错误引用为 MAE [11]。这说明作者极有可能直接洗稿/拼接了其他论文的Related Work或Analysis，甚至连参考文献编号都没改对。
• 证据：文中声称 MGCA [11]，但 Reference [11] 实际为 "Masked autoencoders are scalable vision learners" (MAE)。
• 严重程度：🟠
• 复核状态：✅ 成立

⚠️ 发现 2：缺乏原始图像与可视化造假的排查限制（图片复用检测）

• 位置：Figure 5 (Zero-shot visualization) 与 Figure 6 (t-SNE visualization)
• 描述：文本中未提供足够的图片像素信息，无法进行像素级分析。
• 证据：纯文本提取局限性。但在深度学习论文中，t-SNE 可视化图（Figure 6）是出了名的“调参重灾区”，通过调整 perplexity 和 learning rate，很容易把一团乱麻的点画成看似完美分离的簇。鉴于前文发现的文字和数据矛盾，这部分的图像完美程度值得怀疑。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

耿同学辣评

好家伙，写论文连 MAE 和 MGCA 都分不清，这是拿审稿人当大傻子呢？5.2 节和 5.4.2 节里两次把 MGCA 错引成了 MAE [11]，这极有可能是洗稿拼接时连参考文献编号都没改过来留下的“案发现场”。CV 圈的写作套路能不能走点心，参考文献的锅也不能全甩给 EndNote 啊！

建议后续行动

• 在 PubPeer 上提出质疑，要求作者澄清对 MGCA 的引用错乱问题
• 提醒审稿人注意文献引用的准确性及可能存在的洗稿拼接风险

⚠️ 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。