🔍 耿同学打假报告

论文信息

• 标题：Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting
• 作者：Xingjian Shi, Zhourong Chen, Hao Wang, Dit-Yan Yeung, Wai-kin Wong, Wang-chun Woo
• 期刊：NIPS 2015 (Neural Information Processing Systems)
• DOI：未在文本中明确提供
• 发表年份：2015
• 论文来源：LSTM.pdf

综合评定：🟡 存疑

详细发现

发现 1：图片复用检测（“假装放大版”一图多用）

• 位置：Figure 4 / Figure 10 (Page 6, 11)；Figure 5 / Figure 7 (Page 8, 10)；Figure 6 / Figure 8 (Page 8, 10)
• 描述：论文正文中的核心图表在附录中被原封不动地重复使用。附录中作者将图10、图7和图8标注为“(Larger Version) 放大版”，但根据视觉分析摘要显示，这些所谓的“放大版”与正文中的原图在像素网格、分辨率和图像细节上完全一致，没有任何差异。
• 证据：原文中各图表的图注明确标示了其重复关系：Figure 10 标注为 “(Larger Version) An illustrative example showing an out-domain run”，对应正文 Figure 4；Figure 7 标注为 “(Larger Version) Comparison of different models based on four precipitation nowcasting metrics over time”，对应正文 Figure 5；Figure 8 标注为 “(Larger Version) Two prediction examples for the precipitation nowcasting problem”，对应正文 Figure 6。虽然标注了“Larger Version”，但实际上并未提供更高清晰度的图片源文件，属于同一张图片的重复放置以填充版面或单纯的上传失误。
• 严重程度：🟡
• 复核状态：✅ 成立

发现 2：全文缺失与数据自洽性的交叉验证（正常情况说明）

• 位置：全文表格及实验部分
• 描述：运用“耿同学六式”中的数据造假检测、统计学异常检测、引用与方法学异常等维度对本文进行扫描。表1（参数量与交叉熵损失，如 FC-LSTM 参数量 142,667,776，交叉熵 4832.49）和表2（降水预测指标 MSE, CSI, FAR, POD 等，如 ConvLSTM 的 MSE 为 1.420，CSI 为 0.577）的数据分布自然，没有出现“末位数字过于整齐”或“标准差全等”的随机生成器造假特征；ROVER 算法的超参数（表3，如 Lmax=6, Lstart=0）符合开源光流算法的实际物理意义。由于本文为纯计算机科学/深度学习领域的经典论文，不涉及 Western blot 等生物实验图像，故不存在传统的“PS 泳道拼接”问题。
• 证据：数据逻辑自洽，实验设置（如 Moving-MNIST 数据集切片、雷达回波数据处理）描述严谨，时间线合理（如使用 2011-2013 年数据预测并在 2015 年发表）。
• 严重程度：✅
• 复核状态：✅ 成立

耿同学辣评

咱们就是说，这篇深度学习领域的经典 ConvLSTM 论文，算法和思路确实是漂亮且扎实的，算得上是开山之作。但是在图表排版上多少有点“糊弄学”了——所谓附录里的“高清放大版”，点开一看跟正文里的原图是一个模子刻出来的，连个像素点都没变。咋地，你们这个 Larger 是指在 PDF 里用鼠标点击放大吗？咱们搞学术的可不能像无良淘宝商家一样，“放大版”就是拿原图拉伸一下啊！

建议后续行动

• 联系作者要求提供原始数据 （算法模型年代久远，且不涉及核心造假）
• 在 PubPeer 上提出质疑 （仅排版冗余，未达到学术不端标准）
• 向期刊编辑部举报
• 向作者所在机构学术委员会举报

⚠️ 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。