🔍 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)（匿名投稿）
期刊/会议：MM '25 (ACM Multimedia 2025)
DOI：XXXXXXX.XXXXXXX（未见提供）
发表年份：2025（当前为2026年，属于已过去会议的收录文章）
论文来源：3264_Pathology_Aware_Reconstru.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：引用与方法学异常（参考文献张冠李戴）

位置：Section 5.2 (Page 7) 及 Section 5.4.2 (Page 8)
描述：作者在讨论相关方法时，出现了严重且一致的参考文献引用错误。在5.2节中，作者写道：“the reconstruction-based MRM [45] outperforms MGCA [11]”；在5.4.2节中写道：“While MGCA [11] employs cluster alignment...”。
证据：核对参考文献列表发现，[11] 是 Kaiming He 等人的经典视觉自监督文章 “Masked autoencoders are scalable vision learners (MAE)”，而 MGCA 实际上是参考文献 [34]（Fuying Wang 等人，2022）。作者把 MGCA（基于对齐的模型）和 MAE（基于重建的模型）的引用标号完全搞混了。这反映出作者在撰写论文时可能存在复制粘贴时的疏忽，对相关工作部分的核对极不严谨。
严重程度：🟡
复核状态：✅ 成立

发现 2：数据造假检测（过分巧合的数值）

位置：Table 1 (Page 6)
描述：在 Table 1 的线性分类结果中，本文提出的 "Ours" (ViT-based) 在 CheXpert (CXP) 数据集上，使用 1% 和 10% 训练数据时，AUC 数值竟然完全一致。
证据：表格数据显示，CXP 数据集 1% 训练数据 AUC 为 89.5，10% 训练数据 AUC 依然为 89.5，到了 100% 才变成 89.7。在深度学习的真实实验中，训练数据量增加 10 倍（从 1% 到 10%），评估指标极其罕见地保持在 89.50% 完全不动的概率极低。这高度怀疑是填表时的笔误（凑数），或者编造数据时的复制疏忽。
严重程度：🟠
复核状态：✅ 成立

发现 3：引用与方法学异常（文本拼写错误）

位置：Section 3.1 Pathology-Aware Prior Generation (Page 4)
描述：存在明显的单词拼写错误。
证据：原文写道：“We remove entities classified as abesent.” 此处 "abesent" 应为 "absent"。
严重程度：🟡
复核状态：✅ 成立

⚠️ 发现 4：图片复用与拼接检测

位置：全篇图片
描述：文本中未提供足够的原始图片像素信息，无法进行 Western blot 或显微镜图级别的像素级分析。本文为计算机视觉/深度学习领域的论文，主要评估对象为深度学习模型生成的热力图（Figure 5）和 t-SNE 降维图（Figure 6），由于纯文本解析限制，无法判断这些图是否存在局部翻转、擦除或拼接痕迹。
证据：N/A（需要获取论文 PDF 的原图文件进行 forensic 分析）。
严重程度：无法判断
复核状态：⚠️ 依据不足

发现 5：时间线与产出异常

位置：整体文章
描述：论文投稿至 ACM MM '25（会议时间为 2025 年 6 月），参考文献中已出现 2024 年（如引用[20]、[33]）的文献，时间线上逻辑自洽。未见明显的使用未来试剂或设备等时间线冲突。
证据：无异常。
严重程度：✅
复核状态：✅ 成立

耿同学辣评

这篇计算机视觉论文的算法框架设计得看着挺唬人，但细节上属于是“一顿操作猛如虎，一看战绩原地杵”。1% 和 10% 的数据量跑出来一模一样小数点后一位的 AUC，这概率比我随便买张彩票就中大奖还低！连自家对比的算法（MAE 和 MGCA）引用标号都能在结果分析里从头错到尾，这要是没有用大模型帮忙“随便写写”我是不信的。学术造假倒不至于直接实锤，但这“粗心大意”的程度，审稿人看了估计得原地高血压。

建议后续行动

联系作者要求提供原始实验日志（特别是 CXP 数据集在 1% 和 10% 数据划分下的完整运行日志和随机种子）。
在 PubPeer 上提出质疑（询问 Table 1 中数据一致性的原因及引用错误）。
建议会议接收前要求作者进行严格的 Camera-Ready 校对与勘误。

⚠️ 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 CheXray Vision-Language Pre-training