医学论文编数据被识破

数据造假者通常被抓住的流程只需两个步骤。首先是数据被质疑是造假者被发现，同时还需要第二步，即文中描述的获取数据的方法并不能实现。

一般不会，但是最好还是自己做数据。

没必要为了证明你的命题而造假数据，如果真实数据证明不了你的命题就大大方方把结论和下一步猜想写出来，科学本来就是探究性的，没人能保证自己的设想一定是对的。

有的硕士导师就会告诉学生，自然科学不是人文科学，像政治、法律之类的都是先设定命题，然后搜集证据去支持命题，只要自身前后逻辑和上了就行，不管对错；然而自然科学是提出假设，然后用真实数据去验证假设，对就是对错就是错，错了也算有收获，至少说明这条路走不通。

假造数据说明自己的思维模式就不在自然科学这一挂。

毕业论文的基本教学要求是：

1、培养学生综合运用、巩固与扩展所学的基础理论和专业知识，培养学生独立分析、解决实际问题能力、培养学生处理数据和信息的能力。

2、培养学生正确的理论联系实际的工作作风，严肃认真的科学态度。

3、培养学生进行社会调查研究；文献资料收集、阅读和整理、使用；提出论点、综合论证、总结写作等基本技能。

以上内容参考：百度百科-毕业论文

研究生论文数据造假会被发现如下：

造假被查出来的大都是生物，材料之类的领域，然而计算机（特指深度学习）才是重灾区，造假容易复现困难随机性强，别说二流论文，顶会论文都没有参考价值。所以除了廉价劳动力够多的大研究室，其他人论文的数量基本取决于不要脸的程度。这也是我再也不想碰ML领域会议的原因。

比如组合优化的性能曲线，所有人都知道是个指数曲线，你搞个新的剪枝条件，水一点咱不求正确解，毕竟大部分应用下并不需要正确解，切掉1%的解换来50%的速度是很合理的思想。什么性能改进不够大？5次实验最好的跟最坏的比啊，还不行用C+SIMD写的跟Java的比啊，再不行说实话你随便编个数也没人看得出来，毕竟理论上行得通，行不通那是他程序写的不好。

要说上面想法毕竟真的，顶多偷懒不想做实验，到了ML领域之后那就是明明白白的造假了。数据集精选到位，想法再烂几百个实验里只要能挑出一个能看的，那就是顶会苗子——normalization + adaptive learning rate + manifold constraint审稿人怎么知道哪个项work？

再进一步，古典ML还要你写程序做实验，到了DL里这些全都可以省了，完全可以画图编数据发顶会一步到位。毕竟就是个人肉Architecture Search，随便找个domain画个图，编个比SOTA高一点的精度，一篇论文就诞生了。需要公开数据集和代码？某国际大厂研究院实习生发的顶会论文也带代码，

最近有些研究都开始明目张胆的把validation dataset的distribution当制约条件，甚至直接sample数据进train loop，好家伙演都不演骑头上侮辱人智商呢是不？人家都把造假上升为novel approach了，就别提被发现了，那是伟大的研究懂不懂。