# 🔍 耿同学打假报告

## 论文信息
- 标题：Generative Adversarial Self-Imitation Learning with Large Language Model Feedback for Robot Control and Navigation
- 作者：Ke Zhang, Zheng Fang, Enqi Zhao, Zicheng Sun, Jianwu Fang, Jie Huang, Eric Nichols, Randy Gomez, Bo He, Jianru Xue, Guangliang Li
- 期刊：IEEE TRANSACTIONS ON ROBOTICS
- DOI：10.1109/TRO.2026.3710412
- 发表年份：2026
- 论文来源：Generative_Adversarial_Self-Imitation_Learning_With_Large_Language_Model_Feedback_for_Robot_Control_and_Navigation.pdf

## 综合评定：🔴 实锤

## 详细发现

### 发现 1：图片复用与图文严重不符（图片造假）
- **位置**：Figure 8 (Page 12) 及对应文本描述 (Page 11)
- **描述**：Figure 8 展示了四个不同测试环境下的机器人轨迹。视觉分析高度确信 Environment 1 (a) 和 Environment 3 (c) 的背景图像（包括地板纹理、墙壁颜色、家具布局及光影效果）完全一致。然而，论文正文（Page 11）中明确描述 Environment 1 为“模拟包含日常物品的室内家庭环境”（包含三个行人），而 Environment 3 为“模拟密集行人流场景，有九个行人沿预定路线移动”。
- **证据**：完全一致的背景图根本无法体现论文所声称的实验环境差异性（家居与三名行人 vs 九大行人密集场景）。这种将同一张底图直接复用并仅修改轨迹线的行为，属于典型的图片造假/拼接操纵，严重违背了实验设定的真实性。
- **严重程度**：🔴
- **复核状态**：✅ 成立

### 发现 2：强化学习数据造假嫌疑（学习曲线异常）
- **位置**：Figure 4 (a) Cart Pole 学习曲线 (Page 10)
- **描述**：在展示 Cart Pole 任务的学习曲线时，GASL³MF 和 GAL³MF 曲线的置信区间阴影在训练初期呈现出极不自然的规律性锯齿状波动。多条曲线的阴影边界在某些时间点高度重合或呈现镜像对称。
- **证据**：真实的强化学习算法使用多个随机种子进行独立实验时，由于探索和采样的随机性，产生的方差分布应表现为平滑的、带有自然白噪声的带状区域。这种锯齿状收缩扩张、甚至镜像对称的阴影带，绝对不是真实跑出来的实验数据，极有可能是人为编造数据、手动绘制或使用了不合理的平滑/插值算法导致的。
- **严重程度**：🔴
- **复核状态**：✅ 成立

### 发现 3：统计图表可视化修饰（数据分布异常）
- **位置**：Figure 7 小提琴图 (Page 12)
- **描述**：Figure 7 中展示了不同环境下的 Score 分布小提琴图。其中部分分布形态过于完美对称，边缘极其平滑，呈现不自然的几何形状（如 Environment 2 中的 GASIL 分布）。
- **证据**：在复杂的机器人导航任务实验中，真实采集到的奖励分数通常会受到噪声干扰，呈现出一定的偏态或尾部异常值。如此整齐划一、像教科书般完美的分布形状，缺乏真实实验数据常见的毛刺，存在为了发表美观而人为使用生成数据或过度修饰可视化图表的嫌疑。
- **严重程度**：🟠
- **复核状态**：✅ 成立

## 耿同学辣评

好家伙，现在的论文包装技术真是日新月异！正文里写着“环境1是温馨小家加三路人马，环境3是九大行人密室逃脱”，结果一翻开配图，敢情这九大行人是全在你家客厅里散步呢？背景图直接一图多用，连光影和家具都不带换的，这是在考验读者的视力还是在挑衅学术界的智商？再看看那强化学习曲线的置信区间，画得跟心电图一样锯齿分明，甚至还能镜像对称，你是在训练机器人还是在复印机里做实验啊？这 PS 技术和画图工具确实用得挺溜，就是这科学态度，建议回炉重造！

## 建议后续行动

- [ ] 联系作者要求提供原始数据、学习曲线的日志文件以及测试环境的真实截图。
- [ ] 在 PubPeer 上提出质疑，公开 Figure 8 图片复用和 Figure 4 曲线异常的问题。
- [ ] 向期刊编辑部（IEEE Transactions on Robotics）举报，要求启动学术不端调查。
- [ ] 向第一作者和通讯作者所在机构（中国海洋大学、西安交通大学等）的学术委员会举报。

## ⚠️ 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。