这两张图表（图17左、右图）是CLIP论文中验证“数据重叠是否影响CLIP零样本能力”的关键证据，核心是通过**“数据重叠分析”排除CLIP“作弊”嫌疑**（即CLIP的高零样本准确率是否因为“见过测试集图像”）。下面用“先看懂图表结构→再理解核心逻辑”的方式，一步步教你如何看这两张图：
一、先明确图表要回答的核心问题
这两张图本质是在回答一个关键质疑：
“CLIP的零样本准确率高，是不是因为测试集中的图像和CLIP预训练时见过的图像重复（数据重叠），所以模型只是‘记住了答案’，而非真正理解语义？”
图表通过对比“包含重叠数据的测试集”和“纯干净数据（无重叠）”上的准确率差异，证明“数据重叠不是CLIP零样本能力的主因”，让CLIP的零样本优势更可信。
二、左图（柱状图）：数据重叠与准确率差异的关系
1. 坐标轴含义
- 横轴（X轴）：
Detected Data Overlap (%)（检测到的重叠数据比例）——测试集中“被检测出与CLIP预训练数据重叠的图像占比（如5%表示测试集中5%的图像是CLIP预训练时见过的）。 - 纵轴（Y轴）：
Difference in Zero-shot Accuracy (%)（零样本准确率差异，%）——即“包含重叠数据的测试集准确率”减去“纯干净数据（无重叠）的准确率”的差值（正值表示重叠数据让准确率提升，负值表示下降）。
2. 如何看数据点和误差线
- 每个柱状图代表一个数据集（如CIFAR-100、SUN397等），柱状图的高度是“重叠数据vs干净数据的准确率差值”，误差线（黑色竖线）表示这个差值的统计置信区间（误差线越短，结果越可靠）。
- 核心观察点：
- 多数数据集的柱状图高度集中在0值附近（即准确率差异接近0%），且误差线（黑色竖线）几乎都包含0值（即“准确率差异在统计上不显著”），例如左图中间的
CIFAR-100“误差线横跨0值”，说明“重叠数据对准确率的影响在统计上可忽略”。 - 少数数据集（如CIFAR-100、SUN397）出现±10%以内的差异，但误差线较宽（如Kinetics-700的误差线跨-20%到+10%），证明这些差异可能是“随机波动”，而非“数据重叠导致的真实提升”。
- 多数数据集的柱状图高度集中在0值附近（即准确率差异接近0%），且误差线（黑色竖线）几乎都包含0值（即“准确率差异在统计上不显著”），例如左图中间的
三、右图（散点图）：数据重叠对整体准确率的贡献可忽略
- 横轴（X轴）：
Detected Data Overlap (%)（检测到的重叠数据比例，即测试集中与CLIP预训练数据重叠的图像占比，多数在10%以内，即“单 digits”——论文提到“single digits”，即重叠比例极低，多为个位数百分比）。 - 纵轴（Y轴）：
Overall Test Accuracy Gain Due to Overlap (%)（因数据重叠导致的整体测试准确率提升百分比）——即“包含重叠数据时的准确率”比“纯干净数据”高多少（正值表示提升，负值表示下降）。
关键细节：
- 颜色与显著性：
- 红色点（p<0.05）：表示“数据重叠对准确率的影响在统计上显著（即提升或下降不是偶然），但这样的点极少（仅3-4个），且提升幅度最大仅0.5%（如Birdsnap数据集，纵轴约0.5%），证明即使有重叠，对整体准确率的提升也微乎其微。
- 绿色点（p>0.05）：多数点是绿色，表示“数据重叠对准确率的影响在统计上不显著”（即提升或下降可能是随机波动，与重叠无关），且几乎所有点的纵轴值接近0（±0.5%以内），证明数据重叠对整体测试准确率的贡献可忽略不计（最高提升仅0.5%，远不足以解释CLIP的高零样本准确率）。
四、核心结论：两张图共同证明CLIP的“清白”
- 左图通过“准确率差异”证明：即使测试集与预训练数据有少量重叠，CLIP的零样本准确率也不会因“见过的图像”而显著提升（多数差异接近0）。
- 右图通过“整体准确率增益”证明：数据重叠对CLIP整体测试准确率的提升最高仅0.5%（远低于CLIP的70-90%零样本准确率），因此CLIP的高准确率不可能是“记住了见过的图像”，而是真正理解了语义。
总结：如何“看懂”这类科学图表的通用逻辑
- 先看标题和坐标轴：明确图表要回答的问题（如“数据重叠是否影响CLIP零样本能力”），以及横纵轴代表的变量（如“重叠比例”vs“准确率差异”）。
- 关注数据点的整体趋势：多数点是否围绕“0值”（无影响）或明显偏离（有影响），误差线是否包含0（无显著差异）。
- 结合文字结论验证：图表下方的说明文字（如“Few statistically significant gains”）会总结核心结论，帮你确认理解（如“数据重叠对CLIP的零样本能力影响可忽略”）。
这两张图表用数据证明了：CLIP的零样本能力不是“记住了见过的图像”，而是真正通过“图像-文本语义对齐”学到了“理解概念”的能力——这才是CLIP被称为“通用视觉模型”的根本原因：它不依赖“见过的图像”，而是依赖“理解的语义”。
)
