🔍 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/会议：MM '25 (ACM Multimedia 2025, Dublin, Ireland)
• DOI：XXXXXXX.XXXXXXX (暂无，处于匿名提交阶段)
• 发表年份：2025
• 论文来源：3264_Pathology_Aware_Reconstru.pdf

综合评定：✅ 清白

详细发现

⚠️ 发现 1：图片复用检测（第一式）

• 位置：Figure 1 ~ Figure 6
• 描述：文本中未提供足够的图片像素级信息，无法进行 Western blot 或显微镜图等传统生物医学图像的一图多用比对。
• 证据：本论文属于计算机视觉与深度学习领域的预训练模型研究，其附图（如网络架构图 Figure 2、知识图谱构建图 Figure 3、t-SNE 可视化图 Figure 6）多为模型生成或示意图，不涉及传统意义上的实验切片图。基于现有文本无法检测到图片复用痕迹。
• 严重程度：🟡 (信息不足)
• 复核状态：⚠️ 依据不足

发现 2：数据造假检测（第二式）

• 位置：Table 1, Table 2, Table 3, Table 4, Table 5, Table 6
• 描述：对论文中报告的所有下游任务（分类、分割、目标检测）指标进行了数学一致性和分布规律审查。
• 证据：
  • Table 1 中的提升幅度（如 ChestX-ray14 数据集上 1% 数据量时，本文方法 81.4 对比此前的最高 78.8）符合当前 Vision-Language Pre-training 领域的正常 SOTA 提升逻辑（约 2-3%），没有出现“随机数生成器”那种离谱的跃升。
  • Table 4 和 Table 6 的消融实验逻辑极度自洽。特别是 Table 6 中，联合训练 (Row 3) 在分类任务上低于纯对齐训练 (Row 2)，在细粒度任务上低于纯重建训练 (Row 1)，完美印证了文中关于“梯度冲突”的论述。如果数据是凭空捏造的，通常很难编造出这种符合深度学习底层规律的负相关冲突现象。
  • 标准差/方差等未报告，这在纯 DL 论文中是常见现象。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

发现 3：图片拼接检测（第三式）

• 位置：论文全文
• 描述：无法进行 PS 痕迹检测。
• 证据：该论文为纯计算机算法论文，不含任何 Western blot、凝胶电泳图等易被 Photoshop 拼接篡改的生物实验图像。
• 严重程度：✅ 无异常 (不适用)
• 复核状态：✅ 成立

发现 4：统计学异常检测（第四式）

• 位置：实验结果部分 (Section 5)
• 描述：未触发 p-hacking 或小样本夸大效应等红旗。
• 证据：作为机器学习会议论文，研究采用标准化、动辄数万至数十万样本量的公开医疗数据集（如 MIMIC-CXR, ChestX-ray14, RSNA 等）。评估指标采用 AUC、ACC、Dice、mAP，这些指标均通过全集计算得出，非传统医学统计中的 p 值。实验结果在 1%、10%、100% 不同数据量级下的表现呈现非常平滑、符合学习曲线的递进规律。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

发现 5：产出异常检测（第五式）

• 位置：投稿信息
• 描述：时间线与产出逻辑合理。
• 证据：论文标明为 "MM '25, June 03–05, 2025, Dublin, Ireland"，当前日期 (2026-06-21) 来看，这是一篇正常走完流程的会议论文。方法部分明确使用了 MRM (ICLR 2023) 和 MGCA (NeurIPS 2022) 作为 baseline 和 backbone，甚至引用了 Med-UniC (NeurIPS 2024) 和 CARZero (CVPR 2024)，时间链条完全咬合，没有“穿越时空”使用尚未发表的算法。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

发现 6：引用与方法学异常（第六式）

• 位置：Method (Section 3) & Implementation Details (Section 4.3)
• 描述：网络架构搭建、损失函数推导与实验设置之间实现了完美的闭环。
• 证据：
  • 公式推导严谨：从公式 (1) 到 (11) 的各个模块（先验生成、重建损失、跨模态对比损失）符号使用一致。
  • 前后呼应：Section 4.3 中提到 "Based on ablation studies, the number of clusters K is set to 512"，这与 Section 5.3.4 中 "performance peaks at... 512 clusters" 完全吻合。
  • 硬件现实：使用两块 NVIDIA RTX 4090 跑 ViT-B/16 架构，这完全符合该规模模型在 37 万张 MIMIC-CXR 数据集上的算力需求，没有吹嘘在算力上不可能实现的训练配置。
• 严重程度：✅ 无异常
• 复核状态：✅ 成立

耿同学辣评

同学们，这是一篇极其规矩的计算机视觉顶会投稿，逻辑链条像铁索连环一样严丝合缝！拿生化环材那些造假套路来套这篇论文纯属想多了——人家这里全是公开数据集和开源算法，实验设计里自带的各种“梯度冲突”、“消融实验”把各种可能性解释得清清楚楚。搞深度学习的想在这类纯靠代码跑公开榜单的论文里注水，那基本就等于在同行评审的眼皮子底下裸奔。这活儿，干净！

建议后续行动

• （无需采取行动，该论文未检测出学术不端风险。对于感兴趣的读者，可等待官方开源代码发布后进行复现验证）

⚠️ 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。