题目重点：图像不可解码、标签错和近重复是不同问题，不能混成一个clean步骤。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 实际图像文件、标签taxonomy和脏定义未给，本文给审阅流程而非捏造原数据rate/错误样本。
- 脏率分母与类别需先定：不可读文件占总文件数、错标占人工核查样本数、重复占样本数不是同一个比例。抽样误差与未审样本要说明。
解题路线
- 保留raw manifest与处理版本，逐文件检查解码、尺寸、通道、方向、截断、异常格式及ID/label关系。记录失败原因和可修复性，不以悄悄跳过坏图让训练看似成功。
- 结构问题可确定性修复，如EXIF旋转/统一RGB/尺寸；标签错、低质量和语义含糊需要人工准则。标准化时train和eval保持一致，避免train缩放路径与test不同。
- 查exact hash和感知近重复，将同源/近重复组放同split；视频截帧或同商品不同裁剪也可能跨split泄漏。若评泛化到新实体，应按实体分组而非随机图像。
- 脏率报告总体与来源/类别切片，人工抽样可分层后按总体权重估计。不能因为只审核模型错例而将其中脏比例当全数据脏率；保留审核协议与unknown项。
- 改善先建立固定clean/representative eval，比较原始/修复/过滤/标签复核训练方案。过滤后各类分布和罕见场景可能变，准确率升高不代表真实任务变好；测每类recall、混淆和数据覆盖。
手动走一遍
总文件1000、20不可解码，则该定义rate2%；人工随机核查100张发现5错标，只能报告审核样本5%及不确定性，不能说全库恰好50错。一个高亮度来源几乎全positive，可能学来源捷径；按来源留出验证并检查label/来源关系。删掉模糊图后平均accuracy提高，但部署真实模糊输入仍多，需训练鲁棒性或设置可解释拒识，而非只优化干净test。
规模与取舍
全量解码审查O(总压缩/像素bytes)，exact hash O(bytes)，近重复检索取决于embedding和索引。人工标签审查成本按样本数与准则；大数据应先manifest统计/分层抽样，不必须全量模型训练才发现问题。
易错点与追问
容易失分的边界
- 把全部异常样本无记录删掉，无法追溯数据变化。
- 训练集过滤但eval也删困难例，制造虚高提升。
- hash去重后仍忽略语义近重复跨split。
继续深挖
- 脏数据率不同来源差异很大时，怎样设计审核抽样？
- 部署输入脏率上升，监控信号与模型/数据修复优先级怎样定？
