🔍 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：未提供
• 发表年份：2024
• 论文来源：f38a1f38090503d301ee15276232f3f6-Paper-Conference.pdf

综合评定：🟡 存疑

详细发现

发现 1：方法学与引用异常（赶稿赶疯了？）

• 位置：References（参考文献第 44 条）
• 描述：文末的参考文献排版与内容出现了令人极其费解的低级遗漏。引用 [44] 处赫然写着：“[44] CVPR, pages 7132–7141, 2018.”
• 证据：这条参考文献居然完全缺失了作者和论文标题！通篇正文在 Table 5 的描述中提到了 SE-Net，结合发表年份（2018）和会议（CVPR）以及页码，圈内人一眼就能看出这引的是 SENet（Hu et al.），但作为一个录用于 NeurIPS 这种顶会的论文，连参考文献都能把作者和标题删没了，说明排版极其粗糙，或者最后整合 tex 文件时发生了极其荒谬的错误。
• 严重程度：🟡
• 复核状态：✅ 成立

发现 2：数据统计学异常（薛定谔的误差棒）

• 位置：Section 7. Experiment Statistical Significance (NeurIPS Paper Checklist) 及 全部实验表格（Table 1-5）
• 描述：在论文的 NeurIPS 审稿清单第 7 条（Question 7）中，作者明确承认：“Our experimental results do not include error bars, confidence intervals, or tests for statistical significance.（我们的实验结果不包含误差棒、置信区间或统计显著性检验。）”
• 证据：整篇论文的核心卖点是提出了一种极其强悍的攻击方法，把各大 SOTA 模型的 Rank-1 和 mAP 砍到了 1% 左右甚至更低（见 Table 1 和 Table 2）。然而，所有数据均是单次报告，没有任何标准差或多次运行的平均值。深度学习的训练受随机种子影响极大，一次“完美”的攻击结果极有可能是调参调出来的“最佳运气”，缺乏统计学支撑的攻击算法在实际部署中的鲁棒性令人生疑。
• 严重程度：🟡
• 复核状态：✅ 成立

发现 3：复现性与开源声明异常（冷酷的“未来考虑”）

• 位置：Section 7. Open access to data and code (NeurIPS Paper Checklist 第 5 条)
• 描述：作者在被问到是否开源代码时，回答：“We will consider making the code details publicly available in the future.（我们将考虑在未来公开代码细节。）”
• 证据：这是一句经典的学术界“太极拳”。一篇提出全新攻击算法的 AI 安全论文，如果声称自己把一众现有系统（如 DEEN, MMN）打得溃不成军，却不愿意在 NeurIPS 这种强调开源的顶会上提供代码，这导致同行根本无法验证其数据的真实性，也无法将此攻击作为标准 Baseline。
• 严重程度：🟡
• 复核状态：✅ 成立

无法检测项说明

• 第一式与第三式（图片复用与 PS 痕迹检测）：文本中未提供足够的原始高分辨率图片信息，且本文为纯计算机视觉/深度学习方向的生成与特征图，缺乏医学或生物学样本（如 Western Blot、显微镜图）可供进行像素级分析。
• 第五式（产出异常检测）：基于当前日期（2026-06-21）审查，NeurIPS 2024 的发表时间线合理，使用的 ResNet-50、RTX 3090、以及引用的 2023 年文献均符合逻辑规律。

耿同学辣评

深度学习炼丹炉里又出了一记“绝世好剑”，号称能把现有的跨模态识别系统秒杀成“瞎子”。但是，连参考文献 [44] 都能把作者名字和论文标题给复制丢了，这排版水平像是赶 DDL 前一晚用脚趾头敲键盘敲出来的；算法把别人的指标打到了 0.几%，结果连个标准差和置信区间都不给，甚至代码也是一句“未来考虑”疯狂画大饼。你让我们怎么验证？靠托梦复现吗？

建议后续行动

• 联系作者要求提供原始数据及多次独立运行的方差结果
• 在 PubPeer 上提出质疑
• 要求作者公开承诺“未来”到底是哪一年，并督促其开源代码

⚠️ 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。