🔍 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 (Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval)
DOI：https://doi.org/10.1145/3805712.3809866
发表年份：2026 (会议日期为 2026年7月20-24日，当前日期为 2026-06-22，符合即将发表的顶会论文时间线)
论文来源：3805712.3809866.pdf

综合评定：🟡 存疑

详细发现

发现 1：数学推导与算法逻辑自洽

位置：Section 3.2 (Algorithm 1) / Figure 2
描述：文章提出的 HE-FM 算法通过恒等式将 $$O(F^2)$$ 的两两特征交互复杂度转化为 $(\sum u)^2 - \sum u^2$ 的形式，并在同态加密（CKKS）的 SIMD slot 中通过 AcrossBlockSum 和 WithinBlockSum 实现。
证据：耿同学仔细盘查了公式推导和 Figure 2 的图解， $(\sum u)^2$ 展开包含平方项和交叉项，减去纯平方项 $\sum u^2$ 剩下两两内积并除以 2，数学上完全严密。原文 Section 3.2 明确给出了该公式的推导过程以及 Algorithm 1 的详细步骤。对于试图通过拼凑公式来水论文的造假者来说，这种底层算子级别的数学重构是很难凭空捏造的。
严重程度：✅ 正常
复核状态：✅ 成立

发现 2：实验数据极其自洽，没有“随机数生成器”的痕迹

位置：Table 2 (Latency breakdown)
描述：表格中报告了不同模块（Emb, Bot, Top, Boot）的延迟以及总延迟和加速比。在数据造假中，常出现分项加和不等于总项，或加速比计算错误的问题。
证据：
- 验证加法（以原文 Table 2 中 HE-DeepFM HE-FM, Threshold=500为例）：Emb(2.5) + Bot(1.4) + Top(7.9) + Boot(49.0) = 60.8s。表格报告 Total 为 60.7s。考虑四舍五入误差，分项加和与总值完全吻合。
- 验证加速比：Baseline 172.9s / Ours 60.7s = 2.849... ≈ 2.85×。完全精准对应原文数据。
- 原文 4.2 节也明确指出数据分布符合真实系统的特性（Bootstrapping 占据 70%-90% 的绝对主要耗时），这种长尾分布是同态加密系统的真实痛点，而不是那种“过于完美的教科书式数据”。
严重程度：✅ 正常
复核状态：✅ 成立

发现 3：时间线与引用逻辑合理

位置：References / Section 4.1
描述：论文引用了大量 2024 年和 2025 年的文献，时间线完美匹配。
证据：
- 论文使用 Orion [13] 和 Lattigo [26] 作为后端。原文引用列表中 Orion 的文献为 (Ebel et al., 2025)，这与论文发表于 2026 年的时间线完全吻合。
- 基线模型 HE-LRM [15] 引用的是 2025 年的 arXiv 预印本 (Garimella et al., 2025)，符合该领域最新研究紧跟热点的情况。
- 实验硬件使用了 Intel Xeon Platinum 8488C 和 NVIDIA A100（见原文 4.1 节）。8488C 是 Sapphire Rapids 架构服务器CPU，在 2026 年使用该设备进行高性能计算测试完全合理，不存在“穿越使用未上市设备”的嫌疑。
严重程度：✅ 正常
复核状态：✅ 成立

⚠️ 发现 4：文本与图片信息不足以进行像素级分析

位置：Figure 1 ~ Figure 5
描述：由于仅获取到论文文本及表格数据，未提供原始的高清图片像素信息，无法进行更深度的图像溯源查重。
证据：虽然原文提供了 Figure 1 到 Figure 5 的相关文字描述及提取出的部分图表数据，但缺乏原始图像素材。因此无法对论文的图表（如柱状图、折线图）进行视觉相似度、噪点分布和 PS 痕迹的像素级分析。
严重程度：🟡 无法判断
复核状态：⚠️ 依据不足

耿同学辣评

这篇论文在文本层面的数学推导和实验数据主打一个“严丝合缝”。原文表 2 的延迟分解连小数点后一位的加和都能对得上（考虑四舍五入），公式推导的等价替换逻辑严密，引用的时间线也毫无破绽，整体展现出极高的学术素养。如果硬要挑刺，那就是光靠文本我们没法对它的图表做个“像素级”的医学美容鉴定，但就现有数据来看，绝对是一篇硬核的好工作，思路挺优雅的！

建议后续行动

无需联系作者要求提供原始数据
无需在 PubPeer 上提出质疑
无需向期刊编辑部举报
无需向作者所在机构学术委员会举报
（可选）如果需要100%完全确认图表无造假，建议有权限的读者查阅原版 PDF 图表进行最终视觉确认。
（可选）学霸们可以去复现一下他的 HE-FM 算法。

⚠️ 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。

HE-DeepFM: An FHE Inference System for CTR Prediction with Efficient FM Interactions