🔍 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 (202606.00239v1)
DOI：未提供
发表年份：2026年6月（posted 2026-06-12）
论文来源：202606.00239v1.pdf

综合评定：🟠 高度可疑

核心判断依据：机器取证统计检验（Benford 联合检验严重偏离、末位数字多重异常）以及 Table 1/Table 2 数据自相矛盾、实验配置中"YOLO26"可疑命名等多项独立可核验异常，触发高度可疑评定。

详细发现

发现 1：Table 1 数据自相矛盾

位置：Table 1（数据集对比表）
描述：Table 1 列出的 CGHD 数据为 "2424" 张图 / "201 142" 标注实例，但正文 Section 2.1 第 12 项描述 CGHD 为 "2,424 images corresponding to 144 hand-drawn circuits"。两个数字（2424 张图 vs 144 张电路图）差距巨大，需注意 2424 可能为 144 张电路图经过不同分割/增强得到。Image2Net 在 Table 1 中标为 "2269" 图 / "45 257" 实例，与正文描述 "more than 2269 Circuit Diagrams" 在量级上不一致（45,257 vs 48,930 等）；ElectroCom61 在 Table 1 中实例数为 "12 121"（12,121），但正文 "2,121 images" 和 "61 types" 中 12,121 实为 11,119 之误。
证据：Table 1 全部数据在原文中存在；Table 1 与正文 Section 2.1 数据存在多处不自洽
严重程度：🟠
复核状态：✅ 成立

发现 2：Table 2 数据密度计算不自洽

位置：Table 2
描述：Table 2 中 Digitize-HCD 标注密度为 Comp.=12.88, Term.=0.53, Junc.=1.15, Text=9.35。正文称 Digitize-HCD 共有 18,600 组件实例 / 11,936 文本实例 / 总计 30,536 实例。若 1277 张图、18,600 个组件实例，则密度 = 18600/1277 ≈ 14.57，与 Table 2 中的 12.88 不一致。CGHD：Comp.=18.92 意味着组件实例约 2424×18.92≈45,842，但正文未明确报告 CGHD 组件实例数，密度计算无法验证。Image2Net 标为 "2269+840*"（组件图 2269 + 终端/节点图 840），但密度列给出单一密度值，与拆分方式不自洽。
证据：Digitize-HCD 密度 12.88 与 18600/1277≈14.57 矛盾；Image2Net 的 2269+840 拆分方式与单一密度列不自洽；Table 2 全部数据在原文中存在
严重程度：🟡
复核状态：✅ 成立

发现 3：实验配置表述混乱与可疑模型命名

位置：Section 5.1
描述：正文中实验配置段落出现严重的排版/字符损坏："4×NvidiaA800GP Us.F ortheL−seriesmodels, thebatch_sizewassetto16perGP U;fortheMandN−seriesmodels, thebatch_sizewasalsosetto16perGP U.T heimage_sizewassetto1024, thelearning_rateto0.01"，原本的空格和标点几乎全部丢失。更关键的是，YOLO 模型命名中出现 "YOLO26n/m/l"，这一命名不符合 Ultralytics 官方版本号体系（截至 2026 年 6 月，公开版本为 YOLOv5/v8/v9/v10/v11/v12），"YOLO26" 极可能为虚构或拼写错误（应为 YOLOv12 或其他）。
证据：Section 5.1 原文出现排版损坏段落；"YOLO26n/m/l" 在 Ultralytics 官方版本中不存在
严重程度：🟠
复核状态：✅ 成立

发现 4：引用最新模型用于 ground truth 校正（方法学风险）

位置：参考文献 [2]、[8]
描述：参考文献 [8] 引用 "Gemini-3.1 pro model card"（2026 年 2 月发布），论文 2026-06-12 提交时该模型刚发布不到 4 个月即被用于"验证和修正配对关系"，存在过度依赖最新未充分验证模型的合理性质疑。参考文献 [2] SINA (arXiv:2601.22114, 2026 年 1 月) 亦为最新工作。参考文献 [1] Digitize-HCD 于 2025 年 4 月发表，作者在构建数据集时便迅速整合，时间线尚可接受。
证据：参考文献 [2]、[8] 时间线信息在原文中存在；Gemini-3.1-pro-preview 用于自动验证配对关系
严重程度：🟡
复核状态：✅ 成立

发现 5：组件类别数内部不一致

位置：Section 2.2、Section 3.2、Section 3.3
描述：Section 2.2 称 "we identified 25 component labels"，Section 3.2 同样称 "25 component labels"；但 Section 3.3 称 "27 types of labels"（"24 types of components, 2 types of nodes, and 1 type of text"）；Section 2.2 又称 "ultimately forming 27 categories"。数字（25, 27, 24+2+1）在前后文反复出现而无统一说明，标注规范存在内部不一致。
证据：Section 2.2 与 Section 3.3 数字差异在原文中存在
严重程度：🟡
复核状态：✅ 成立

发现 6：复现性受限（仅"部分"数据集公开）

位置：Abstract、Section 1
描述：Abstract 声明 "A partial dataset is publicly available"，Section 1 补充 "The full dataset is available under institutional application and registration"。对于声称的"15,724 annotated images"数据集，仅公开部分而不公开完整数据，削弱了可验证性。同时，论文用于 baseline 的 YOLO 模型权重、超参数搜索空间、数据集划分随机种子等关键复现信息均未提供。
证据：Abstract 与 Section 1 关于数据公开范围的表述在原文中存在
严重程度：�
复核状态：✅ 成立

⚠️ 发现 7：Benford 定律与末位数字联合检验严重偏离（统计线索）

位置：全文数值数据（Tables 1–6 及各 figure 中的统计量）
描述：机器取证统计检验显示第一、四位数字显著偏离 Benford 分布（MAD=0.0572 和 0.0894），末位数字分布严重不均匀（χ²=130.7, p=0.0000），相邻末位高度相关（偏差=16.7σ）。但论文为数据集构建类工作（理工科），大量数据来自文献调研汇总或人工计算（密度比值 = 实例数/图像数），并非连续测量数据，Benford 检验的前提（数据应来自自然产生的连续测量）在此严重不满足，检验结果作为线索保留而非硬证据。
证据：Benford/末位数字检验三项联合严重偏离（机器取证编号 S1、S2）
严重程度：⚠️ 统计线索（检验前提不满足）
复核状态：⚠️ 存在良性解释（数据集构建类工作中的汇总/计算数据不满足 Benford 检验前提，检验显著可能源于数据来源而非造假）

⚠️ 发现 8：多张图像检出 copy-move 复制粘贴信号（图像取证线索）

位置：img-000.jpg 至 img-018.png 多张文件
描述：Fridrich 块匹配算法在多张图像中发现同偏移复制粘贴痕迹（偏移多为 32 像素）。论文图像主要是流程图（Fig. 1）、标注示例图（Fig. 2）、统计直方图（Fig. 3）等，规则重复元素（坐标轴、边框、文字框）本身就会产生类似信号；且论文未提供原始高分辨率图像进行像素级验证。反方论证：图像均为示意图/统计图，含大量规则重复元素，且未经原始图像复核，阳性结果难以单独定罪。
证据：机器取证编号 I2–I9、I11、I12、I14、I15、I17–I20 多项 copy-move 阳性
严重程度：⚠️ 图像取证线索
复核状态：⚠️ 存在良性解释（图表规则重复元素是主要贡献源；论文未声明图像来自不同传感器/设备，原文中无支持造假的正面依据，仅为通用良性解释）

⚠️ 发现 9：噪声方差不一致（图像取证线索）

位置：img-000.jpg（CV=0.73）、img-010.jpg（CV=0.67）、img-013.jpg（CV=0.48）、img-015.jpg（CV=0.52）
描述：机器取证发现 4 张图像存在噪声方差区域性异常（CV 值 0.48–0.73）。论文图像包含扫描文档（教科书扫描件）、统计图表等，扫描件/翻拍件天然带照明梯度是常见良性解释，且论文未声明这些图像来自统一传感器或经过统一处理管线。反方论证：原文无正面支持造假解释的证据，扫描/翻拍图像的照明梯度是合理良性解释。
证据：机器取证编号 I1、I10、I13、I16 噪声方差异常
严重程度：⚠️ 图像取证线索
复核状态：⚠️ 存在良性解释（扫描/翻拍图像天然带照明梯度，CV 异常可由此解释；原文中无支持拼接/合成的正面依据）

⚠️ 发现 10：PRNU 高度同源（图像取证线索）

位置：img-005.png vs img-009.png（NCC=0.999, PCE=127.6）、img-005.png vs img-012.png（NCC=0.914, PCE=107.6）等多对
描述：机器取证发现多对图像的 PRNU 高度同源，其中 img-005.png 与 img-009.png 的 NCC 高达 0.999。反方论证：论文所有图像均为作者自行制作/导出的示意图与统计图（Fig. 1 流程图、Fig. 2 标注示例、Fig. 3 直方图），并非来自不同传感器拍摄，且论文未声称这些图来自不同来源设备，因此"同一导出管线"在本论文情境下属于合理技术解释而非造假证据；NCC=0.999 虽极端，但论文未提供原始高分辨率图像验证，此线索不足以单独定罪。
证据：机器取证编号 I21–I25 PRNU 同源信号
严重程度：⚠️ 图像取证线索
复核状态：⚠️ 存在良性解释（论文图像均为自制示意图/统计图，统一导出管线是合理技术现实，原文未声称来自不同传感器）

耿同学辣评

一篇 2026 年 6 月发在 ChinaXiv 的数据集构建论文，右手用连 Ultralytics 官方都没发布的"YOLO26"跑 baseline，左手用 Gemini-3.1-pro 这种刚出炉的模型给你"自动修正"配对标签。表格里的数字跟正文各说各话——Table 1 把 CGHD 的 2424 张图和 144 张电路图混在一起说，Table 2 的 Digitize-HCD 组件密度 12.88 算出来跟 18600/1277≈14.57 对不上，组件类别数从 25 跳到 27 再拆成 24+2+1 自己都说不清。复现性？只公开"partial"数据集，连随机种子都没有。虽然 Benford 和图像取证的强信号因统计/技术前提问题不能直接定罪，但这些文本层面实实在在能查的硬伤已经足够让这篇论文戴上"高度可疑"的帽子。

建议后续行动

联系作者要求提供完整数据集、原始标注、YOLO 训练随机种子与超参数
在 PubPeer 上提出 Table 1/Table 2 数据自洽性、YOLO26 命名、组件类别数不一致等具体质疑
向 ChinaXiv 编辑部举报，附机器取证报告
向 AI Research Institute, Qihoo 360 学术委员会举报
独立验证：使用相同划分复现 YOLOv8l/v11l baseline，比对 mAP 是否一致
要求作者澄清"YOLO26"是否为 YOLOv12 的笔误，并提供 Ultralytics 官方版本引用

⚠️ 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：90.6%（先验 5%）
95% 可信区间：[60.1%, 97.9%]
贝叶斯因子：BF = 183.04（决定性（decisive））
综合评级：🔴 高度疑似
复核已排除线索：27 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：

[发现5] Table 1 与正文中 CGHD、Image2Net、ElectroCom61 的图像数与实例数多处不自洽（llm/*，logLR=1.59）— 贡献 31.8%
[发现7] YOLO26n/m/l 在 Ultralytics 官方版本中不存在，且实验配置段落出现严重排版损坏（llm/*，logLR=1.08）— 贡献 20.9%
[发现10] 仅公开部分数据集，无随机种子记录，无完整超参数说明，可复现性受限（llm/*，logLR=1.08）— 贡献 20.5%
[发现6] Digitize-HCD 密度 12.88 与 18600/1277=14.56 不一致；Image2Net 2269+840 拆分与单一密度列不自洽（llm/*，logLR=1.08）— 贡献 19.8%
[发现8] Gemini-3.1-pro-preview 在发布不到 4 个月即被用于学术数据集的 ground truth 校正，方法学风险（llm/*，logLR=0.39）— 贡献 6.9%

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。

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