🔍 耿同学打假报告

论文信息

• 标题：Feature-Level Adversarial Attacks and Ranking Disruption for Visible-Infrared Person Re-identification
• 作者：Xi Yang, Huanling Liu, De Cheng, Nannan Wang, Xinbo Gao
• 期刊/会议：38th Conference on Neural Information Processing Systems (NeurIPS 2024)
• DOI：文本中未提供
• 发表年份：2024
• 论文来源：f38a1f38090503d301ee15276232f3f6-Paper-Conference.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：参考文献大面积残缺与格式崩坏（引用与方法学异常）

• 位置：References 部分，文献 [44]
• 描述：在对比注意力机制（SE-Net 等）时引用了文献 [44]，但该文献的信息仅剩下了废话。
• 证据：原文显示为 [44] CVPR, pages 7132–7141, 2018.。这不仅完全缺失了作者、标题信息，连基本的出版物类型都没有，属于极端严重的排版失误或利用 AI 工具（如 ChatGPT/LaTeX 自动补全）生成时的幻觉残留。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 2：数据集基础信息存在离谱笔误（数据造假检测/方法学异常）

• 位置：4.2 Datasets 章节，第 8 页
• 描述：在介绍 SYSU-MM01 数据集时，对其规模的描述出现了违背常理的数字。
• 证据：原文称 “There are 287,628 visible images and 15,792 infrared images in total”。在计算机视觉界，SYSU-MM01 是一个极度常用的基准数据集，其可见光图像大约在 2.8 万至 3 万张左右。此处凭空多出一个数量级（287,628），极大概率是原作者笔误（例如打错了 28,762），或者排版错乱。连测试数据集的底数都能写错，说明作者在写 Method 和排版时的极度不严谨。
• 严重程度：🟡
• 复核状态：✅ 成立

发现 3：正文与图表数据"精神分裂"（数据造假检测）

• 位置：4.4 Ablation Study 章节 vs Table 3
• 描述：作者在正文中描述基准模型性能时，给出的数值与旁边的表格对不上。
• 证据：正文写道：“Using the SYSU-MM01 dataset as an example, after adding noise to generate adversarial samples, the mAP decreases from 45.75% to 18.28%.” 但查看下方的 Table 3，Baseline（第一行）在 SYSU-MM01 上的 mAP 明明白白写着 45.78%。典型的"造假不查表，早晚要翻车"，如果是手打输入极易出现这种数位记忆混乱。
• 严重程度：🟡
• 复核状态：✅ 成立

发现 4：评估指标异常整齐划一（统计学异常检测）

• 位置：Table 4，第 8 页
• 描述：在测试 FSAM 模块插入 ResNet-50 不同 stage 的实验中，出现了不合常理的重复精度。
• 证据：在 SYSU-MM01 的 Rank-1 指标列中，block0、block1、block2 的结果竟然精准相同（皆为 1.05%）。在深度学习多次独立重复或不同网络结构的消融实验中，小数点后两位完全一致的概率极低。这要么是作者直接复制粘贴了实验结果，要么是评测代码存在 bug（例如在某种情况下模型直接退化为随机猜测或死循环输出），或者是粗心填表时偷了懒。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 5：缺乏统计显著性检验（统计学异常检测）

• 位置：NeurIPS Paper Checklist - Question 7
• 描述：作者明确承认没有进行任何统计显著性测试。
• 证据：在回答是否有误差条或置信区间时，作者自爆："Our experimental results do not include error bars, confidence intervals, or tests for statistical significance." 深度学习模型本身就受随机种子影响，没有跑多次（如 3 次、5 次）求平均和方差，直接抛出 0.79%, 0.85% 这种带小数点的极致结果，其科学可信度大打折扣。
• 严重程度：🟡
• 复核状态：✅ 成立

耿同学辣评

这篇顶会论文的数学公式推导得严丝合缝，结果一到写字儿和填表的时候就"原形毕露"了——不仅表格正文数据对不上号，连数据集图像总数都能凭空放大十倍，更绝的是参考文献能只剩下个空壳（[44] CVPR, 2018），消融实验还能跑出三个完全带小数点一模一样的结果。搞算法模型很用心，但写文章校对全靠缘分是吧？AI 写完自己没读过吧？

建议后续行动

• 联系作者要求提供原始训练日志，验证 Table 3 和 Table 4 中高度重复或对不上的数据。
• 检查其开源代码（如果未来放出）中关于 SYSU-MM01 的数据加载路径，验证其是否真的提取了 28 万张图，还是只是一句荒谬的废话。
• 在 PubPeer 上提出质疑，询问文献 [44] 的真实身份以及极度工整的实验结果是如何产生的。

⚠️ 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。