🔍 耿同学打假报告

论文信息

• 标题：Auto-Encoding Variational Bayes
• 作者：Diederik P. Kingma, Max Welling
• 机构：Universiteit van Amsterdam
• 期刊：预印本 (arXiv:1312.6114v11)
• 发表年份：2013-2014 (依据文中引用的 2014 年文献推测)

综合评定：🟡 存疑

详细发现

发现 1：统计图表异常与缺失噪声（第四式：统计学异常检测）

• 位置：Figure 2 / Page 7
• 描述：根据视觉分析摘要，Figure 2 中 MNIST 数据集的多个子图（特别是 Nz=3, 5, 10）显示 AEVB (train) 曲线与 Wake-Sleep (test) 曲线在训练初期存在非自然的交叉或重合，且曲线平滑度极高。作为采用随机梯度下降（SGD）和 Minibatch（M=100）的训练曲线，完全没有反映出局部的震荡或毛刺是不寻常的。
• 证据：原文中 Figure 2 的图注确实写道 “The estimator variance was small (<1) and omitted”。然而，深度学习模型的 SGD 训练曲线通常会伴随明显的噪声波动，尤其是在训练初期。过度平滑的曲线往往暗示作者在绘图时进行了过度的后处理（如滑动平均），存在人为修饰数据呈现形式的嫌疑。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 2：优化曲线的非自然突变（第四式：统计学异常检测）

• 位置：Figure 3 / Page 8
• 描述：在 Figure 3 左侧子图（N_train = 1000）中，AEVB (train) 曲线在训练样本数约为 5-10 million 处出现了一个极其陡峭的垂直上升台阶，随后立刻趋于平缓。
• 证据：论文视觉分析摘要中指出了这一不自然的垂直上升台阶。但在论文原文中，作者并未在任何正文段落或 Figure 3 的图注（仅说明了比较算法和训练点数量）中对这一陡峭台阶现象进行任何说明或解释，无法断定其是否源于代码中的人为干预或绘图算法异常。
• 严重程度：🟠
• 复核状态：⚠️ 依据不足

⚠️ 发现 3：流形可视化图像的高度重复（第一式：图片复用检测）

• 位置：Figure 4(a) / Page 10
• 描述：Figure 4(a) 'Learned Frey Face manifold' 中的面部图像网格显示出高度重复的模式。多行面部表情在垂直方向上几乎完全一致，仅存在极微小的像素级差异。
• 证据：虽然视觉分析摘要指出该图像存在高度重复模式并怀疑垂直复制拼接，且原文 Figure 4 的图注解释了它是通过“linearly spaced coordinates... plotted the corresponding generative pθ(x|z)”生成的，但在缺乏原始像素级取证的情况下，原报告本身也承认这属于 VAE 模型在平滑潜在空间的预期行为。因此，将该现象直接作为图片造假（PS 拼接）的结论依据不足。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇经典的算法理论论文满纸都是数学公式推导，实验部分主要为定性可视化和收敛曲线，根本没有提供常规的定量表格可供计算末位数字规律。虽然 Figure 2 中过度平滑的曲线确实容易引起“磨皮造假”的怀疑（作者也确实在图注里声明了方差太小所以忽略了），但这充其量是绘图美观上的处理。至于 Figure 3 的突变台阶和 Figure 4 的“大头照连连看”，在原文未提供文字解释的情况下，极容易被误判为 PS 拼接，但实际上这恰恰是生成模型在低维流形上的正常表现。学术打假不能只靠肉眼“找茬”，面对经典理论文献必须更严谨地对待图像背后的算法逻辑！

建议后续行动

• 针对 Figure 2 中异常平滑的曲线，要求作者提供实验原始日志数据，确认曲线平滑是否为过度插值或滑动平均导致。
• 针对 Figure 3 中的突变台阶，可向作者询问该现象对应的确切 Epoch 及是否关联特定的学习率调整策略。
• Figure 4 的图像重复现象符合生成模型流形特征，目前缺乏足够证据支撑造假指控，不建议仅凭视觉相似性向期刊举报。

⚠️ 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。