预备调查清单

一、待核查内容列表

1. Zhou et al.（2021）在 arXiv 提出 Mixup 数据增强方法

二、核查要点展开

待核查内容1：Zhou et al.（2021）在 arXiv 提出 Mixup 数据增强方法

• 核查原因：
  1. 该陈述包含三个核心事实要素：作者（Zhou et al.）、时间（2021）和发布平台（arXiv），这些信息组合在一起可能存在事实错误或张冠李戴的情况。
  2. “Mixup”是一种在机器学习领域广为人知的数据增强方法，其原创归属有明确的学术共识，任何与此共识不符的说法都需严格核查。
• 所需查明信息：
  1. 首次提出“Mixup”数据增强方法的原始论文的作者、年份及发表平台（或会议）。
  2. 是否存在一篇由“Zhou et al.”于2021年在arXiv上发表的、与“Mixup”方法相关的论文。
  3. 如果存在该论文，其内容是首次提出“Mixup”方法，还是对该方法的改进、分析或应用。
• 必要信源：
  1. 权威学术搜索引擎（如 Google Scholar, Semantic Scholar）。
  2. 预印本网站 arXiv.org。
  3. 顶级人工智能或机器学习会议（如 ICLR, NeurIPS, ICML）的官方论文库。
• 核查优先级：高

行动计划

1. 通过权威学术搜索引擎，检索关键词“Mixup data augmentation”，查找并确认被学术界公认为首次提出该方法的原始论文。
2. 核实原始论文的作者、发表年份以及首次发布的平台（例如，是直接发表于某学术会议，还是先在arXiv发布预印本）。
3. 在arXiv及其他学术数据库中，专门检索作者包含“Zhou”、年份为“2021”且主题与“Mixup”相关的论文。
4. 对比步骤1、2中查证的原始论文信息与步骤3的检索结果，判断用户报告中的陈述是否准确，即“Zhou et al. (2021)”是否为“Mixup”方法的提出者。

我需要更深入地了解Mixup数据增强方法的原始提出者和时间。让我搜索更具体的信息。

我需要进一步确认Mixup数据增强方法的原始论文信息，特别是作者和发表年份。

我需要查看原始论文的发表会议和年份，让我访问arXiv上的原始论文。

已核查结论清单

已核查内容1：Mixup 数据增强方法的原始提出者、年份及发布平台

• 初步结论：Mixup 数据增强方法由 Hongyi Zhang, Moustapha Cisse, Yann N. Dauphin, 和 David Lopez-Paz 在论文《mixup: Beyond Empirical Risk Minimization》中首次提出。该论文的预印本于2017年首次发布在arXiv，并于2018年正式发表在ICLR会议。
• 信源支撑要点：
  1. 权威学术预印本网站 arXiv.org 显示，论文《mixup: Beyond Empirical Risk Minimization》的作者为 Hongyi Zhang 等人，初版提交于2017年10月25日。
  2. 该论文的页面信息明确指出，此为ICLR会议的最终接收版本（camera ready version），表明其正式发表于2018年的ICLR会议。
• 证据：
  1. 原文摘录：Title: mixup: Beyond Empirical Risk Minimization. Authors: Hongyi Zhang, Moustapha Cisse, Yann N. Dauphin, David Lopez-Paz. ... Submitted on 25 Oct 2017 (v1), last revised 27 Apr 2018 (this version, v2). Comments: ICLR camera ready version.
     链接：https://arxiv.org/abs/1710.09412
     信源名称：arXiv.org
     信源发布时间：2017年10月25日（初版）
  2. 原文摘录：Published as a conference paper at ICLR 2018 mixup: BEYOND EMPIRICAL RISK MINIMIZATION. Hongyi Zhang. MIT. Moustapha Cisse, Yann N. Dauphin, David Lopez-Paz∗.
     链接：https://openreview.net/pdf?id=r1Ddp1-Rb
     信源名称：OpenReview
     信源发布时间：不详（内容指向ICLR 2018）
  3. 原文摘录：Hongyi Zhang, Moustapha Cissé, Yann N. Dauphin, David Lopez-Paz: mixup: Beyond Empirical Risk Minimization. ICLR (Poster) 2018
     链接：https://dblp.org/rec/conf/iclr/ZhangCDL18
     信源名称：DBLP computer science bibliography
     信源发布时间：2019年07月25日（网站收录时间）
• 信源结论一致性：一致
• 是否需复核：否

待补充核查清单

待核查内容1：“Zhou et al.（2021）在 arXiv 提出 Mixup 数据增强方法”

• 核查原因：
  1. 已查证的 Mixup 原始论文作者为 Zhang et al. (2017/2018)，与该陈述中的作者（Zhou et al.）和年份（2021）均不符。
  2. 需核实是否存在一篇由 "Zhou et al." 于2021年在 arXiv 发表的与 Mixup 相关的论文，并确定其内容是否为“提出”该方法，以对用户的陈述进行全面判断。
• 所需查明信息：
  1. 是否存在一篇作者包含 "Zhou"、年份为 "2021"、发布于 arXiv 且主题为 "Mixup" 的论文。
  2. 如果存在，该论文的具体内容是什么？是首次提出 Mixup，还是对其的改进、应用或分析？
• 必要信源：
  1. arXiv.org 网站。
  2. Google Scholar, Semantic Scholar 等权威学术搜索引擎。
• 核查优先级：高

行动计划

1. 在 arXiv.org 及 Google Scholar 等学术搜索引擎中，使用关键词组合 "Zhou", "Mixup", "2021", "arXiv" 进行精确检索。
2. 分析检索结果，确定是否存在符合用户描述的论文。
3. 如果找到相关论文，则审查其摘要和引言，判断其与 Mixup 原始方法的关系，确认其贡献是原创、改进还是分析。

我需要查找更具体的信息，看看是否存在Zhou等人在2021年发表的关于Mixup数据增强方法的论文。

我需要更具体地搜索关于Zhou et al. 2021年在arXiv上发表的关于Mixup的论文。

我需要更具体地搜索Zhou等人在2021年发表的关于Mixup的论文，特别是查看是否有他们首次提出Mixup方法的论文。

已核查结论清单

已核查内容1：Mixup 数据增强方法的原始提出者、年份及发布平台

• 初步结论：Mixup 数据增强方法由 Hongyi Zhang, Moustapha Cisse, Yann N. Dauphin, 和 David Lopez-Paz 在论文《mixup: Beyond Empirical Risk Minimization》中首次提出。该论文的预印本于2017年首次发布在arXiv，并于2018年正式发表在ICLR会议。
• 信源支撑要点：
  1. 权威学术预印本网站 arXiv.org 显示，论文《mixup: Beyond Empirical Risk Minimization》的作者为 Hongyi Zhang 等人，初版提交于2017年10月25日。
  2. 该论文的页面信息明确指出，此为ICLR会议的最终接收版本（camera ready version），表明其正式发表于2018年的ICLR会议。
• 证据：
  1. 原文摘录：Title: mixup: Beyond Empirical Risk Minimization. Authors: Hongyi Zhang, Moustapha Cisse, Yann N. Dauphin, David Lopez-Paz. ... Submitted on 25 Oct 2017 (v1), last revised 27 Apr 2018 (this version, v2). Comments: ICLR camera ready version.
     链接：https://arxiv.org/abs/1710.09412
     信源名称：arXiv.org
     信源发布时间：2017年10月25日（初版）
  2. 原文摘录：Published as a conference paper at ICLR 2018 mixup: BEYOND EMPIRICAL RISK MINIMIZATION. Hongyi Zhang. MIT. Moustapha Cisse, Yann N. Dauphin, David Lopez-Paz∗.
     链接：https://openreview.net/pdf?id=r1Ddp1-Rb
     信源名称：OpenReview
     信源发布时间：不详（内容指向ICLR 2018）
  3. 原文摘录：Hongyi Zhang, Moustapha Cissé, Yann N. Dauphin, David Lopez-Paz: mixup: Beyond Empirical Risk Minimization. ICLR (Poster) 2018
     链接：https://dblp.org/rec/conf/iclr/ZhangCDL18
     信源名称：DBLP computer science bibliography
     信源发布时间：2019年07月25日（网站收录时间）
• 信源结论一致性：一致
• 是否需复核：否

已核查内容2：“Zhou et al.（2021）在 arXiv 提出 Mixup 数据增强方法”的准确性

• 初步结论：该陈述不准确。经过多轮检索，未发现任何由 "Zhou et al." 于2021年在arXiv上首次提出 Mixup 数据增强方法的论文。用户的陈述在作者、年份和贡献性质上均存在事实错误。
• 信源支撑要点：
  1. 在arXiv及Google Scholar等学术数据库中，使用关键词组合 "Zhou", "Mixup", "2021", "arXiv", "original paper", "first propose" 进行的多次检索，均未能找到符合“首次提出Mixup”这一描述的论文。
  2. 检索到的部分提及 "Zhou et al. (2021)" 的论文，其研究主题并非Mixup的原创性提出。例如，一篇论文提及 "Zhou et al. (2021)" 使用T5模型生成新文本，这是一种不同的数据增强技术。
• 证据：
  1. 原文摘录：Yoo et al. (2021) and Zhou et al. (2021) use GPT-3 (Brown et al., 2020) and T5 (Raffel et al., 2020) respectively as the language model to generate new text ...
     链接：https://openreview.net/pdf?id=kPPVmUF6bM_
     信源名称：OpenReview
     信源发布时间：不详
  2. 对arXiv.org网站使用 "Zhou", "2021", "Mixup" 等关键词的直接搜索，未返回任何声称首次提出Mixup方法的论文。返回的结果多为对Mixup的应用、改进或在综述中提及该方法，而非原创性提出。
• 信源结论一致性：一致
• 是否需复核：否

待补充核查清单

（当前所有待核查内容均已完成，无需补充核查清单。）

行动计划

1. 整合已核查的两个核心结论，判定用户报告“Zhou et al.（2021）在 arXiv 提出 Mixup 数据增强方法”为错误。
2. 撰写最终的事实核查报告，报告结构应包括：
   • 最终结论：明确指出陈述错误。
   • 事实陈述：清晰说明Mixup方法的正确来源（作者：Zhang et al.，年份：2017/2018，平台：arXiv/ICLR）。
   • 错误点分析：逐一剖析用户报告中的错误要素（作者、年份），并基于核查证据进行驳斥。
   • 可能的错误原因：推测产生该错误信息的原因，如将应用研究误认为原创研究，或信息在传播中出现偏差。