🔍 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) (双盲投稿状态，Submission Id: 3264)
期刊/会议：MM '25 (ACM Multimedia 2025 投稿稿件)
DOI：暂无 (投稿稿件)
发表年份：2025 (按稿件标注时间)
论文来源：3264_Pathology_Aware_Reconstru (1).pdf

综合评定：🟠 高度可疑

详细发现

发现 1：核心实验数据自相矛盾（主表与消融实验“打架”）

位置：Table 1 与 Table 4 / Table 5
描述：作者在 Table 1（主表）中声称其在 ChestX-ray14（1% 训练数据）的线性分类任务上达到了 81.4% 的 AUC。然而，在 Table 4 的消融实验（明确注明使用 1% 训练数据）中，完整的模型（PAR + DKBA）却只获得了 80.8% 的 AUC。在 Table 5 中，完整模型同样是 80.8%。
证据：同一个完整模型在相同数据集、相同数据量（1%）下的核心评价指标，在主表（81.4%）和消融表（80.8%）中竟然相差了 0.6%。作者极有可能为了在主表中“碾压”其他基线模型（如 MGCA 的 78.7% 和 MRM 的 78.8%），人为拔高了主表的数据，却在消融实验中忘记圆谎。
严重程度：🔴
复核状态：✅ 成立

发现 2：负优化模块强行挽尊（选择性报告）

位置：Table 4 及 Section 5.3.1 文本描述
描述：Table 4 显示，在 ChestX-ray14 数据集上，不加任何模块的基线（Baseline）AUC 为 79.1%；而加上作者引以为傲的核心组件 PAR（Pathology-Aware Reconstruction）后，AUC 反而下降到了 78.9%！更可笑的是，DKBA 单独工作时是 81.0%，加上 PAR 后又下降到了 80.8%。
证据：这证明 PAR 模块在分类任务上起了反作用（负优化）。然而作者在正文 5.3.1 中却大言不惭地写道：“(2) The discriminative knowledge boosting alignment (DKBA) enhances representation learning, yielding performance gains...” 绝口不提 PAR 拖后腿的事实，试图用文字游戏掩盖模块无效甚至有害的真相。
严重程度：🔴
复核状态：✅ 成立

⚠️ 发现 3：算力与实验设定的“赛博朋克”

位置：Section 4.3 Implementation Details
描述：作者声称所有的预训练实验（基于包含 37 万张图像的 MIMIC-CXR 数据集）仅仅使用了 两张 NVIDIA RTX 4090 GPU。更夸张的是，在重建阶段，图像被提升至 448×448 的高分辨率。
证据：ViT-B/16 处理 448×448 分辨率的图像会产生海量的 Token（784个 Patch），再配合双模态融合与对比学习，显存开销极大。两张 4090（每张 24G 显存）要在这种分辨率下跑通具有海量负样本的对比学习（公式5中需要对大批次计算相似度），且完成 200 个 Epoch，在当前深度学习的物理规律下极不合理。作者为了规避 batch size 过小导致对比学习失效的质疑，故意在公式中写了 batch size $$N$$ ，却在全文隐藏了具体的 batch size 数值。
严重程度：🟠
复核状态：⚠️ 依据不足

⚠️ 发现 4：图片复用与拼接检测（受限于文本无法深挖）

位置：Figure 1 ~ Figure 6
描述：由于当前仅有文本信息，无法对图片的像素噪点、Western Blot 条带（本文不涉及）或视觉特征图进行像素级取证。
证据：文本中未提供足够的图片元数据。但从 Figure 5 和 Figure 6 的描述来看，“挑几张效果好的可视化图证明模型有效”是典型的计算机视觉论文“樱桃挑选”套路。
严重程度：🟡
复核状态：⚠️ 依据不足

耿同学辣评

这篇论文堪称“左手打右手”的武林绝学——主表数据比消融表高出一截，主打一个“只要我胆子大，SOTA全都不在话下”；更绝的是自己提出的 PAR 模块在消融实验里疯狂“内耗”掉自己的队友（DKBA），导致性能倒退，作者还能厚着脸皮用文字把“负向提升”包装成“优势互补”。这种核心数据互相打脸、强行粉饰太平的行径，已经让文章的学术诚信荡然无存。至于用两张 4090 跑通如此庞大局域网络的“炼丹神话”，大家当科幻小说看就好。

建议后续行动

立即拒绝该稿件投稿，或向 ACM MM 2025 审稿主席/编辑部举报此稿件存在严重的数据造假与篡改嫌疑。
要求作者公开原始的实验日志文件，特别是 ChestX-ray14 1% 下的真实 AUC 运行输出。
在 PubPeer 上发布质询，让学术界同行一起观摩这种“自相矛盾”的造假手法。
等待双盲解除后，向作者所在机构的学术委员会发送 whistleblower 邮件。

⚠️ 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