El estudio presenta un enfoque novedoso para identificar posibles manipulaciones de citas dentro de documentos académicos. Este método utiliza perturbaciones de un modelo de incrustación profunda, integrando Autoencoders enmascarados por grafos para fusionar información textual con evidencia de conectividad de grafos. En consecuencia, produce un modelo más intrincado de distribución de citas. Al entrenar una red profunda con datos parciales y reconstruir conexiones enmascaradas, el enfoque capitaliza las características inherentes de las conexiones centrales en medio de perturbaciones de red. Demuestra su capacidad para señalar citas confiables dentro del conjunto de datos analizado a través de evaluaciones cuantitativas exhaustivas. Además, plantea preocupaciones sobre la fiabilidad de referencias específicas, que pueden estar sujetas a manipulación.