🔍 耿同学打假报告

论文信息

• 标题：Diffusion-based Adversarial Purification from the Perspective of the Frequency Domain
• 作者：Gaozheng Pei, Ke Ma, Yingfei Sun, Qianqian Xu, Qingming Huang
• 期刊/会议：Proceedings of the 42nd International Conference on Machine Learning (ICML), Vancouver, Canada. PMLR 267, 2025.
• DOI/arXiv：arXiv:2505.01267v4 [cs.CV] 8 Dec 2025
• 发表年份：2025
• 论文来源：Diffusion-based Adversarial Purification.pdf

综合评定：✅ 清白

详细发现

发现 1：数据呈现特征符合真实实验规律（数据造假检测通过）

• 位置：Section 5.2 (Table 1, Table 2, Table 3, Table 4)
• 描述：对论文中报告的多次基准测试 Accuracy 结果及其标准差进行了末位数字和标准差分布分析。
• 证据：真实实验往往伴随着随机数种子、硬件环境等带来的微小波动。本文作者非常诚实地报告了多次运行的均值和标准差（如 Table 1 中 Ours: 92.19 ±0.33, 59.39±0.79, 77.35±2.14）。末位数字（9, 9, 5, 3, 9...）分布均匀，标准差数值大小参差不齐（0.33, 0.79, 2.14, 2.73 等），完全没有呈现出 Excel 拉拽公式生成的“过于完美”或“等差数列”的造假特征。
• 严重程度：✅ 正常

发现 2：时间线与引用逻辑自洽（产出异常与引用检测通过）

• 位置：全文及参考文献
• 描述：基于当前日期（2026-06-23）核查了论文的时间线冲突情况。
• 证据：论文标注的会议为 ICML 2025，arXiv 更新时间为 2025 年 12 月 8 日，时间逻辑完全合理。文中引用了大量 2023、2024 甚至 2025 年（如 Zollicoffer et al., 2025）的前沿文献。文中所使用的预训练模型（如 2022 年的 EDM 模型）和基准测试库在发文时点均已开源成熟。未发现使用“未来时空”设备或试剂的穿越现象。
• 严重程度：✅ 正常

发现 3：图片像素级分析受限说明（图片复用与拼接检测）

• 位置：Figure 1 - Figure 13
• 描述：无法进行 Western Blot 等传统生物医学图像的 PS 痕迹与图片复用检测。
• 证据：文本中未提供足够的原始高清图片像素信息，且本论文为计算机视觉/机器学习领域的学术论文，图表多为算法生成的频域曲线、散点图、高维特征分布热力图及自然图像去噪对比图，不存在湿实验中的切图拼接、曝光率不一等典型造假模式。
• 严重程度：ℹ️ 无法判断

发现 4：方法学与数学推导自洽（统计学异常与方法学检测）

• 位置：Section 3 (Theoretical Study) 及 Appendix D (Proof)
• 描述：本文的核心贡献在于从频域（振幅谱和相位谱）证明扩散模型前向过程对各频段信息的破坏性。
• 证据：附录中给出了详细的数学公式推导（Theorem D.1 和 D.2 的 Proof），逻辑链条完整，符号使用规范。实验设计中的消融实验（Table 8）针对提出的振幅谱交换（ASE）和相位谱投影（PSP）进行了模块化验证，数据起伏符合深度学习消融实验的一般规律。未发现统计方法误用或 p 值恶意篡改（CV领域主要看准确率方差，不涉及 p-hacking）。
• 严重程度：✅ 正常

耿同学辣评

这篇搞机器学习的论文可以说相当“老实”了。深度学习圈子里有些人爱刷榜，恨不得每次跑出来的准确率都一模一样完美，或者全是精确到小数点后两位的无方差数据。这帮作者老老实实地跑三遍实验，把粗糙的方差（动不动就 ±2.14）直接贴在了主表上。数学推导和开源代码安排得明明白白，虽然是一篇 AI 炼丹论文，但这股子实诚劲儿，值得某些数据修得比抛物线还完美的生化环材选手好好学习！

建议后续行动

• 无需进一步调查。
• （备选）要求作者在 GitHub 仓库提供完整的随机种子和训练日志以供极客复核。

⚠️ 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。