🔍 耿同学打假报告

论文信息

标题：基于联邦学习的代谢性疾病预测方法
作者：王俊逍（导师：张宏国）
机构：哈尔滨理工大学
来源：基于联邦学习的代谢性疾病预测方法_王俊逍.pdf
答辩/发表年份：2025 年 7 月

综合评定：🔴 实锤

详细发现

发现 1：核心评价指标数学造假（F1-score 凭空捏造）

位置：第 37 页，表 3-6（集中式训练代谢性疾病分期表现）
描述：表格中报告的 F1-score 数值与同表格内的 Precision 和 Recall 存在不可调和的数学矛盾。
证据：根据 F1-score 的基础数学定义公式 $F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$：
- Xgboost 模型：表中 P=0.80, R=0.75，真实 F1 应为 0.774，但表中赫然写着 0.83。
- M-DNN 模型：表中 P=0.86, R=0.85，真实 F1 应为 0.854，但表中写着 0.88。
- DNN 模型：表中 P=0.83, R=0.80，真实 F1 应为 0.814，但表中写着 0.81。
  这种连基本算术都过不了的表格，大概率是随手乱编或者人为拔高了自己提出模型（M-DNN）的数据。
严重程度：🔴
复核状态：✅ 成立

发现 2：核心数学公式张冠李戴（余弦相似度变欧氏距离）

位置：第 23 页，公式 (3-8)
描述：作者声称为了筛选恶意节点，采用了“余弦相似度”作为核心判定指标，并且给出了一大段关于余弦相似度衡量“空间方向相近程度”的文字描述，但紧接着给出的公式却是欧几里得距离公式。
证据：论文中写道：“余弦相似度主要用于衡量两个向量在空间方向上的相近程度”，但公式 (3-8) 给出的却是 $c_{ij} = \sqrt{\sum (m_i - m_j)^2}$ 。这是典型的东拼西凑写论文，文字是 Copy 来的，公式也是 Copy 来的，连基本概念都没对上。
严重程度：🔴
复核状态：✅ 成立

发现 3：数据集样本量前后矛盾且数量对调

位置：第 24-25 页（3.2.1 数据收集）、第 34 页（3.2.4 数据融合）、表 3-2 与表 3-3
描述：作者在前文明确说明“痛风保留 50,932 份，糖尿病提取 63,728 份”，但在仅仅隔了几页后的数据融合阶段，两套数据集的数量不仅被完全对调，而且在表格汇总时连加法都没算对。
证据：
- 矛盾一（张冠李戴）：3.2.4 节写道“痛风数据集 F51（维度为 63728×14）与糖尿病数据集 F52（维度为 50932×14）”。痛风变 6 万，糖尿病变 5 万，完全对调。
- 矛盾二（加法造假）：表 3-2 中声称各方痛风数据相加，我们将其相加（3005+4561+5167 + 2673+5961+5368 + 3500+4241+4926 + 3200+4437+5002），实际总和为 52,041，并非正文声称的 50,932。
- 矛盾三（加法继续崩盘）：表 3-3 中糖尿病数据各方相加（5525+6781+8145 + 4653+8764+8621 + 6146+7297+7122 + 6516+7413+8439），实际总和高达 85,422，不仅不是正文说的 63,728，连最终号称的 11 万总数据量（114660）也成了笑话（52041+85422=137463）。
严重程度：🔴
复核状态：✅ 成立

发现 4：实验结论与表格数据完全相反

位置：第 38 页，表 3-7 及其下方的正文分析
描述：作者在正文中得出了“本文提出的 M-DNN 模型在 AUC 指标上显著优于其他对比算法”的结论，但这与他自己绘制的表格数据截然相反。
证据：表 3-7 明确列出 M-DNN 的 AUC 值为 0.872，而作为对比模型的 Xgboost 的 AUC 值为 0.874。对比模型的 AUC 反而比作者提出的模型还要高！作者完全无视了自己表格里的数据，强行宣布自己“显著优于”。
严重程度：🟠
复核状态：✅ 成立

发现 5：图表编号与标题连环崩盘（典型的拼凑痕迹）

位置：图 3-3、图 3-4、图 3-5；表 3-2、表 3-3、表 3-4
描述：全文出现了多处极其诡异的图表标号错误和图注错误，暴露出论文在多处复制粘贴后未进行审校。
证据：
- 图片重号：第 19 页有“图 3-3 采用 dropout 前后网络层对比”，到了第 26 页又冒出来一个“图 3-3 数据预处理流程图”。
- 图注互换：第 28 页“图 3-4”的中文标题写的是“糖尿病特征的卡方特征关联度分析结果”，但其英文 Fig. 3-4 却翻译成了痛风；紧接着“图 3-5”中文写痛风，英文写糖尿病。
- 表格编号错乱：表 3-2 的英文标题写的是 Table. 3-3；表 3-3 的英文标题写的是 Table. 3-4。
严重程度：🟠
复核状态：✅ 成立

⚠️ 发现 6：物理常识与信噪比计算异常

位置：第 21 页，表 3-1（不同标准差与原数据的差距衡量）
描述：在添加高斯噪声的隐私保护测试中，SNR（信噪比）的数值变化严重违背物理常识。
证据：当噪声标准差 σ 从 0.1 增加到 1.0 时（噪声方差变为原来的 100 倍），按照通信原理，SNR 应该下降 20dB 左右，但表中数据仅从 40.00 降至 27.47（下降约 12.5dB）；当 σ 增加到 5.0 时，噪声方差相比 σ=1 扩大了 25 倍，SNR 却依然停留在 11.24，数据下降趋势呈现非物理规律的平滑。
严重程度：🟡
复核状态：⚠️ 依据不足

耿同学辣评

这篇硕士学位论文可谓是“漏洞百出集大成者”。全文充斥着连初中生都能看出的计算错误：F1分数算不对、总数据量加不平、文字说自己第一结果表格却是别人第一。更可笑的是，大谈特谈“余弦相似度”，转头贴上的却是欧氏距离公式。这不是在做科研，这是在使用“随机数生成器”加“强行复制粘贴”侮辱学术界的智商。这种东西要是能过盲审和答辩，那导师和评委的视网膜可能都需要去做个激光了。

建议后续行动

提取该论文的原始 PDF，在 PubPeer 或学术打假平台上进行公开曝光。
联系哈尔滨理工大学研究生院及学位评定委员会，要求重新审查该生的学位论文及答辩流程。
建议核查该生导师（张宏国）名下其他弟子的毕业论文，排查是否存在流水线式批量复制、粗制滥造的系统性问题。

⚠️ 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。

基于联邦学习的代谢性疾病预测方法