🔍 耿同学打假报告

论文信息

标题：Semi-Supervised Federated Learning via Dual Contrastive Learning and Soft Labeling for Intelligent Fault Diagnosis
作者：Yajiao Dai, Jun Li, Zhen Mei, Yiyang Ni, Shi Jin, Zengxiang Li, Sheng Guo, Wei Xiang
期刊：IEEE INTERNET OF THINGS JOURNAL
DOI：10.1109/JIOT.2025.3586718
发表年份：2025
论文来源：Semi-Supervised_Federated_Learning_via_Dual_Contrastive_Learning_and_Soft_Labeling_for_Intelligent_Fault_Diagnosis.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：文本生成与复制粘贴痕迹（方法学描述异常）

位置：Section IV.A.1 Benchmark Datasets 及 Abstract
描述：在描述四个数据集时，文本出现了经典的“复制粘贴忘改”错误。在介绍 PU 数据集时，作者写道“The data partitioning method is the same as the PU dataset.”（数据划分方法与 PU 数据集相同）；紧接着在 MFPT 数据集介绍中也写道“The data are processed in the same way as the PU dataset”；在 CWRU 数据集中再次出现“The data are processed in the same way as the other datasets”。此外，在摘要中声称使用了“two publicly available datasets”（两个公开数据集），但在引言和实验部分却写道“three openly accessible datasets”（三个公开数据集），数字前后矛盾。
证据：在描述当前对象时，引用自身或套用模板导致逻辑语病，且基础数据集数量的核心信息在摘要和正文存在冲突。这是极其典型的赶工、找枪手或大语言模型生成后未经人工严格校对的痕迹。
严重程度：🟠
复核状态：✅ 成立

发现 2：机械复用的参考文献引用（引用异常）

位置：Section I.B.3 Contrastive Learning for Fault Diagnosis 及 Section I. Introduction
描述：作者在描述不同的前置研究时，反复使用同一篇参考文献来指代完全不同的方法。例如：“a contrastive image generation network with multimodal data was developed in [27]... Additionally, an online SSL contrastive graph generative network was presented in [27] for harmonic drives”。在如此近的上下文中，将两段不同方法的描述强行安在同一篇文献[27]上。
证据：典型的“缝合怪”式文献综述写法，作者可能并未真正阅读所引用的文献，仅通过关键词匹配或复制粘贴拼凑了相关工作。
严重程度：🟡
复核状态：✅ 成立

发现 3：核心实验对象名称自相矛盾（方法学异常）

位置：Abstract vs Section IV.A.1 / Figure 2
描述：摘要中明确声称私有数据集是“collected on motors from the factory”（从工厂的电机上收集）。然而，在第四节的实验设置及图2（Fig. 2）中，却赫然写着“Machines in our partner chemical factory. (a) Reflux pump. (b) Feeding pump. (c) Circulating pump.”，并且明确说明数据是从三种“泵”上采集的。
证据：电机和水泵在工业故障诊断中虽然相关，但是完全不同的机械实体，振动信号的特征也有区别。摘要和正文的核心实验对象出现“牛头不对马嘴”的情况，说明作者在修改实验设置时，没有同步更新全文，存在伪造或随意篡改实验场景描述的嫌疑。
严重程度：🟠
复核状态：✅ 成立

发现 4：同行评审与见刊时间极其违背常理（产出异常）

位置：文章首页 Metadata (Received 9 June 2025; accepted 30 June 2025)
描述：该论文于2025年6月9日投稿，2025年6月30日被接收，前后仅耗时 21天。对于《IEEE INTERNET OF THINGS JOURNAL》这种体量庞大、审稿周期通常在几个月到半年以上的顶刊，三周完成“提交-分配AE-审稿-返修-接收”的全流程在学术界是极其罕见甚至可以说是不符合常理的。
证据：该刊常规审稿周期数据与本文21天的极速通关记录存在巨大反差。可能存在人情稿、预审稿走流程或编辑部流程时间标注错误等黑箱操作。
严重程度：🟠
复核状态：✅ 成立

发现 5：算法名称的笔误与混淆（方法学异常）

位置：Section IV.A.2 Baselines
描述：在介绍基线方法时，第5条写道：“FedProx-UDA: Naive combinations of FedAvg with UDA”。
证据：既然名字叫 FedProx-UDA，其基础框架理应是 FedProx，但在解释时却写成了 FedAvg。虽然这仅仅是一个文字笔误，但结合前面发现的种种“复制粘贴”和“模板化”痕迹，进一步印证了论文在撰写和校对环节极其粗糙。
严重程度：🟡
复核状态：✅ 成立

耿同学辣评

这篇 IEEE 顶刊论文的算法玩得很花，“半监督”、“联邦学习”、“对比学习”各种热词一锅炖，结果一到实验细节描述就“原形毕露”。摘要里采集的是“电机”，正文里秒变“水泵”；介绍 PU 数据集说要跟 PU 数据集一样划分，这简直就是“听君一席话，如听一席话”。连公开数据集到底用了2个还是3个都记不清，更别提21天光速录用的奇迹了。这篇论文的算法可能是 AI 写的，但这文字润色和排版绝对是人类实习生极其敷衍地赶工出来的。

建议后续行动

联系作者要求提供原始数据（特别是验证其所谓的“合作化工厂”数据集到底是 Motor 还是 Pump）
在 PubPeer 上提出质疑（针对其文本矛盾及极快的接收时间）
向期刊编辑部要求核实该论文的同行评审流程记录（21天接收是否合规）
由于无法获取原始代码和图片，暂无法进行代码复现和图片一图多用的深度查证，建议持续关注

⚠️ 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。

Semi-Supervised Federated Learning via Dual Contrastive Learning and Soft Labeling for Intelligent Fault Diagnosis