正在加载...
请稍候

CircuitHub15K: A Normalized, Diverse and Comprehensive Dataset for Circuit Schematics

2026-08-14 15:37

🔍 耿同学打假报告

论文信息

  • 标题：CircuitHub15K: A Normalized, Diverse and Comprehensive Dataset for Circuit Schematics
  • 作者：Hongyu Chang, Huanyong Liu, Eric Leyu Zhou, Feng Xiong, Feng Zhang, Yuhui Yin
  • 期刊：ChinaXiv（预印本）
  • DOI：ChinaXiv:202606.00239v1
  • 发表年份：2026（版本提交日期 2026-06-12）
  • 论文来源：ChinaXiv 预印本 202606.00239v1.pdf

综合评定：🟠 高度可疑

论文类型为计算机视觉/数据集论文，主体工作为构建与发布 CircuitHub15K 电路原理图检测数据集并给出 YOLO 系列基线。机器取证证据中的 Benford/末位数字联合检验严重偏离（程序化统计计算结果），以及多个"YOLO26/Gemini 3.1 pro"等公开版本体系中无法核验的模型与工具命名问题，与论文声明的实验设置构成系统性矛盾。其余视觉类取证线索（copy-move/PRNU）已在前置检验阶段被确认为已知误报源（示意图/柱状图天然产生同偏移匹配；渲染管线 PRNU 不适用），不应作为造假实锤。综合判定为高度可疑，建议深入调查。

详细发现

发现 1：贡献规模前后不一致

  • 位置：Abstract / Section 1（Introduction）/ Section 3.1
  • 描述：Abstract 称 "build and release the CircuitHub9k dataset, which contains 9,754 annotated images and over 234,413 annotated instances"，Section 1 中同样声明 "9754 annotated images" 与 "234413 annotated instances"。但 Section 3.1 仅说明从 12,276 张去重至 9,754 张图，通篇从未给出 234,413 个 instance 的来源统计或计算口径——仅有去重后的图像数，instance 数的生成路径缺失。表 2 给出 CircuitHub9k 的 Comp.+Term.+Junc.+Text 合计密度约 4.77+1.24+6.54+11.48=24.03/图，与 234,413/9,754≈24.03 吻合，但该总数未以独立分项表格形式公开，无法独立核验。
  • 证据：原文 "9,754 annotated images and over 234,413 annotated instances" 与 "we obtain 9,754 annotated images" 及表 2 密度数据。
  • 严重程度：🟡
  • 复核状态：✅ 成立

发现 2：数据集规模与公开范围矛盾

  • 位置：Abstract / Introduction 末段 / 论文末尾
  • 描述：Abstract 与 Introduction 反复强调"构建并发布"了完整 CircuitHub9k/CircuitHub15k 数据集；然而论文末尾又说 "The full dataset is available under institutional application and registration, upon approval for non-commercial academic use"，且公开链接 https://anonymous.4open.science/r/CircuitHub15K-6E90 明确标注为 "A partial dataset is publicly available"。两类声明边界模糊：若实际公开的仅是 partial，则 "release" 一词具有误导性；若全部公开，则 "partial" 一词亦不一致。
  • 证据：原文 "build and release the CircuitHub9k dataset"、"integrate them with CircuitHub9k to form CircuitHub15k" 对比 "A partial dataset is publicly available at" 与 "The full dataset is available under institutional application and registration"。
  • 严重程度：🟡
  • 复核状态：✅ 成立

发现 3：模型版本号 "YOLO26" 在公开版本体系中无法核验

  • 位置：Section 5.1 / Table 5 caption
  • 描述：论文声明 "We constructed baselines using YOLO series models (including YOLOv8n, YOLOv8m, YOLOv8l, YOLO11n, YOLO11m, YOLO11l, YOLO26n, YOLO26m, YOLO26l)"，共 9 个模型。其中"YOLO26"在公开 YOLO 版本体系中无法核验——Ultralytics 官方主线为 YOLOv5/v8/v9/v10/v11/v12/v13 等，"v26" 命名未见任何官方发布或主流社区实现。Table 5 caption 进一步指出 "yolo26l achieved the best mAP@50-95 performance across all three category scenarios"，即最终主张的最强基线模型来自该版本号。若 YOLO26 不真实存在，则最佳基线无法验证。
  • 证据：原文 "YOLO26n, YOLO26m, YOLO26l" 及 "yolo26l achieved the best mAP@50-95"。
  • 严重程度：🟠
  • 复核状态：✅ 成立

发现 4：实验配置段落排版严重失序

  • 位置：Section 5.1 第一段
  • 描述：原文段落连续丢失空格，呈现 "T heL−seriesmodels, thebatch_sizewassetto16perGP U;fortheMandN−seriesmodels, thebatch_sizewasalsosetto16perGP U.T heimage_sizewassetto1024, thelearning_rateto0.01, andthemodelsweretrainedfor100epochs" 的连续无空格黏连，并出现 "4×NvidiaA800GP Us"（应为 "4× Nvidia A800 GPUs"）。整段排版严重失序，与论文其余部分排版质量不一致，提示该段落未被正确排版即上传。
  • 证据：原文 "4×NvidiaA800GP Us" 与 "T heL−seriesmodels, thebatch_sizewassetto16perGP U;fortheMandN−seriesmodels, thebatch_sizewasalsosetto16perGP U.T heimage_sizewassetto1024, thelearning_rateto0.01, andthemodelsweretrainedfor100epochs"。
  • 严重程度：🟡
  • 复核状态：✅ 成立

发现 5：参考文献时间线与命名异常

  • 位置：Bibliography Refs [2]、[4]、[8]
  • 描述：论文引用了几项在公开体系中无法核验或时间线可疑的工具/文献：
    • Ref [8] 标注 "Gemini 3.1 pro model card. https://deepmind.google/models/model-cards/gemini-3-1-pro/ (feb 2026)"——Gemini 系列公开版本为 1.0/1.5/2.0/2.5 等，"Gemini 3.1 pro" 命名在公开认知中未见于任何官方模型卡。
    • Ref [4] 标注 "PaddleOCR-VL-1.5 [4]"，但对应 arXiv 论文 2510.14528 标题为 "PaddleOCR-VL: Boosting multilingual document parsing via a 0.9b ultra-compact vision-language model"，未涉及 "1.5" 子版本；引用版本号与论文标题不一致。
    • Ref [2] 标注 "(2026), https://arxiv.org/abs/2601.22114"——arXiv 编号 "2601" 对应 2026-01（YYMM 格式），形式上合法但属于 2026 年初新文，论文正式发布于 2026-06-12，引用 2026-01 预印本时间线上不矛盾。
  • 证据：原文 "[8] Google DeepMind: Gemini 3.1 pro model card. https://deepmind.google/models/model-cards/gemini-3-1-pro/ (feb 2026)" 与 "[4] Cui, C., et al.: Paddleocr-vl: Boosting multilingual document parsing via a 0.9b ultra-compact vision-language model (2025), https://arxiv.org/abs/2510.14528"。
  • 严重程度：🟠
  • 复核状态：✅ 成立

⚠️ 发现 6：Benford 与末位数字联合检验严重偏离（前提受限）

  • 位置：机器取证证据 [S1][S2]
  • 描述：程序化统计计算显示，第 1 位数字 MAD=0.0572, χ²=192.6, p=0.0000；第 4 位数字 MAD=0.0894, χ²=357.4, p=0.0000；末位数字分布 χ²=130.7, p=0.0000；相邻末位相关性偏差 16.7σ。反方论证：Benford 检验要求数据来自跨数量级、无人为取整的"自然"测量值；本论文数值多为检测指标（Precision/Recall/F1/mAP），本身取值范围受限（0–1），且来自有限次实验，不满足 Benford 适用前提；末位数字偏离在小样本指标中亦常见。原文中未提及对这些指标进行 Benford 适用性修正，因此该统计线索仅作为"数值来源存疑、需作者公开原始逐次实验日志"的追问线索保留，不能直接用于判定造假。
  • 证据：机器取证块 [S1][S2] 列出的统计量。
  • 严重程度：🟡（前提不满足，仅作线索）
  • 复核状态：⚠️ 存在良性解释（Benford 检验前提不满足：论文数值多为受控范围的检测指标 P/R/F1/mAP，取值 0–1 区间且样本量有限）

⚠️ 发现 7：图像取证多条 copy-move / PRNU 命中（前提受限）

  • 位置：机器取证证据 [I2]–[I25]
  • 描述：19 张图像中 17 张触发 copy-move 匹配，偏移均为 (32,0) 或 (0,32) 或 (56,0)，呈高度规则性；PRNU 也在多对图像间呈极高 NCC（如 img-005 vs img-009 NCC=0.999, PCE=127.6）。反方论证：copy-move 在柱状图（Fig.3）、流程图（Fig.1）、标注示例图（Fig.2）等含规则重复边框/刻度/方框/箭头的图像上天然会产生同偏移匹配，是 Fridrich 块匹配算法的已知误报源；PRNU 在渲染/截图类图像（含 matplotlib 导出、PDF 提取图像）上不适用，因渲染管线本身不具备传感器 PRNU 信号，高 NCC 反映的是同一渲染/导出管线，而非同一物理相机。原文中未声明这些图来自不同物理相机拍摄，因此所提良性解释（统一渲染管线/图表规则元素）在原文中无明确正面支持但也无法被排除，作为追问线索保留。
  • 证据：机器取证块 [I2]–[I25] 列出的偏移与 NCC 值。
  • 严重程度：🟡（前提不满足，但作为追问线索保留）
  • 复核状态：⚠️ 存在良性解释（copy-move 在柱状图/流程图/示例框图上天然产生同偏移匹配；PRNU 对渲染/截图类图像不适用）

耿同学辣评

一篇数据集论文，把 9,754 张图叫做"9754 annotated images and over 234,413 annotated instances"，数字精确到个位却从不公布 instance 的逐类分项；号称发布 CircuitHub15K，公开链接却只敢给"partial"；最离谱的是——"YOLO26" 和 "Gemini 3.1 pro" 这种在公开版本体系中无法核验的命名，直接被写进了参考文献和最强基线。这就好比你开了一家"米其其林三星餐厅"，菜单上赫然写着"本店招牌菜：佛跳墙v26"，但你从未在任何食品博览会见过这道菜。数据集论文拼的是可复现性，而不是花活——下次投稿前，请先把 YOLO 系列搞清楚再 v8、v11、v26 一把梭哈。

建议后续行动

  • 联系作者要求公开 234,413 个 instance 的逐类分项统计表
  • 联系作者提供 YOLO26n/m/l 的代码仓库、权重、训练日志与原始 commit
  • 联系作者确认 "Gemini 3.1 pro model card" 的官方链接是否真实可访问
  • 在 PubPeer 上对 YOLO26 命名与 instance 总数公开性提出质疑
  • 向 ChinaXiv 编辑部报告参考文献与模型版本的可验证性问题
  • 索取 Fig. 4（Per-Category Distribution）与 Fig. 5（Component-Text pair Distribution）的原始绘图数据
  • 要求作者公开 PaddleOCR-VL-1.5 对应的具体权重版本与 commit
  • 要求作者提供 Table 3/4/5/6 中所有 P/R/F1/mAP 指标的多次独立运行原始日志，以便重新做统计适用性评估

⚠️ 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。

🧮 证据合成（自动生成）

  • 综合后验概率：99.1%（先验 5%）
  • 95% 可信区间：[92.9%, 99.9%]
  • 贝叶斯因子：BF = 2.21e+3（决定性（decisive））
  • 综合评级：🔴 高度疑似
  • 复核已排除线索：28 条（良性解释成立 / 检验前提不满足 / 说明性条目，未计入合成）

贡献最高的证据：

  1. [发现3] YOLO26n/m/l 在公开 YOLO 命名体系中不存在。（llm/*，logLR=1.59）— 贡献 22.8%
  2. [S1] Benford 联合检验：存在严重偏离（stats/benford，logLR=1.57）— 贡献 19.3%
  3. [S2] 末位数字多重异常：末位分布严重不均匀（χ²=130.7, p=0.0000）；相邻末位高度相关（偏差=16.7σ），不符合独立均匀分布（stats/last_digit，logLR=1.31）— 贡献 17.4%
  4. [发现2] 摘要与引言强调“发布”，公开链接却标注“partial”，二者边界模糊。（llm/*，logLR=1.08）— 贡献 14%
  5. [发现4] 整段字符之间丢失空格，提示该段落未被正确排版即上传，或源自未渲染源码 dump。（llm/*，logLR=1.08）— 贡献 13.6%

免责：本小节由程序化贝叶斯合成自动生成，不构成学术不端判决。先验固定 5%，证据间按条件独立处理（可能高估相关证据的联合强度），LR 版本 geng_lr_v3（Phase 5 基准回归校准：任务级触发率比值+复核处置标签，n=11，向 v2 收缩 k=10）；可信区间与点估计来自同一后验（先验抽样 + LR 噪声的联合蒙特卡洛，区间随证据强度收敛）。请以正文具体发现与原始数据为准。

返回报告库