🔍 耿同学打假报告

论文信息

标题：HE-DeepFM: An FHE Inference System for CTR Prediction with Efficient FM Interactions
作者：Qiyue Su, Hang Gu, Zhiguang Wang, Teng Wang, Zhendong Zheng, Qianyu Cheng, Lei Gong, Chao Wang
期刊/会议：SIGIR '26 (49th International ACM SIGIR Conference on Research and Development in Information Retrieval)
DOI：10.1145/3805712.3809866
发表年份：2026 (会议时间为 2026年7月20-24日)
论文来源：3805712.3809866.pdf

位置：Table 2 (Page 4)
描述：在系统性能评估论文中，表格各分项数据相加是否与总和吻合是判断数据真实性的重要依据。以 Table 2 为例，延迟被分为 Embedding, Bot, Top, Boot 等几个部分。
证据：抽取数据验证：
- HE-DeepFM (HE-FM, Thres=500): 2.5 + 1.4 + 7.9 + 49.0 = 60.8（表中总计为 60.7，存在合理的浮点数四舍五入误差，非常真实）。
- HE-LRM (Baseline, Thres=5000): 2.9 + 13.9 + 8.5 + 147.7 = 173.0（表中总计为 172.8，误差极小）。
- HE-DeepFM (Naive FM, Thres=50000): 5.8 + 490.2 + 9.0 + 55.6 = 560.6（表中总计为 560.7）。
  数据末位分布自然，总分与分项存在微小且不规律的舍入差异，完全符合真实程序运行计时统计的特征，绝非随机数生成器或手工编造的数据。
严重程度：🟢 (真实数据的体现)
复核状态：✅ 成立

位置：Section 4.1 (Experimental Setup) & References
描述：检查实验使用的软硬件设备及参考文献的年份是否与论文发表时间线冲突（当前日期为 2026-06-21，会议为 2026 年 7 月举办）。
证据：
- 硬件环境：使用了 Intel Xeon Platinum 8488C (Sapphire Rapids 系列，2023年初发布) 和 NVIDIA A100。在 2025-2026 年的实验中使用这些设备完全合理。
- 软件及引用：作者使用了 Orion 框架并引用了相关文献 (文献 [13] Austin Ebel et al. 2025) 和 HE-LRM (文献 [15] Karthik Garimella et al. 2025)。作为 2026 年发表的系统优化论文，基于 2025 年的最新底层框架进行二次开发，时间逻辑完全严丝合缝。
严重程度：🟢 (无异常)
复核状态：✅ 成立

位置：Section 3.2 (Efficient HE-FM) & Algorithm 1
描述：本论文的核心贡献是优化同态加密下的 FM (Factorization Machine) 计算复杂度，从 O(n²) 降至近似 O(1)。
证据：作者利用了恒等式 $\((\sum u_i)^2 = \sum u_i^2 + 2 \sum_{i 的变体，将其拆分为 P (sum-then-square) 和 Q (square-then-sum) 两个阶段。该数学推导是完全正确的，且通过 CKKS 方案的 SIMD 打包特性完美契合了树状归约算法。这是真实的系统级算法优化，不存在伪科学或瞎编的数学公式。$
严重程度：🟢 (无异常)
复核状态：✅ 成立

位置：Figure 1, Figure 2, Figure 3, Figure 4, Figure 5
描述：无法进行像素级的一图多用或 PS 痕迹检测。
证据：本文为计算机系统与机器学习领域的偏理论/工程交叉论文，图表主要由架构框图（Figure 1, 3）、算法流程示意图（Figure 2）以及由代码自动生成的折线图/柱状图（Figure 4, 5）组成，不包含容易造假的生物实验图像（如 Western blot、显微镜图）。通过阅读图表内部的数值标签和图例，未发现复用痕迹。
严重程度：🟢 (无需进一步像素分析)
复核状态：✅ 成立

搞计算机系统优化的同学们，把数学公式玩得明明白白，连个表格的加法都能对得上有理有据，连四舍五入的微小误差都保留着最原始的野性美！建议那些连细胞实验都能 P 出笔直边缘的"科研奇才"们，都来系统领域接受一下代码和底层数据的真实毒打！

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。