Vision Transformers（ViT）のInductive Biasの問題を緩和するために、Agent CNNより知識を与え、ViTからは重みを共有することにより、比較的小規模なデータセットの認識結果においても精度の底上げを実施する。最適化にはBootstrapping Optimization Algorithmが適用されたと説明。