教師データのラベルと画像の特徴マップを全てストレージに格納し、特徴マップ同士のコサイン類似度を1から引いた値でkNN法により画像分類を行うシステムを提案した。

ResNet-50/101とViT-B/32とB/16とL/14の事前学習済みモデルを使用し、CIFAR-10/100とSTL-10とImageNet-1kのデータセットで評価を行い、CLIPを含む従来手法を上回る結果。ファインチューニングを行わずにImageNet-1kで79.8%のTop-1正解率で、継続学習を行った場合はCIFAR-100の一部データを使用して90.8%の正解率。

シンプルなアプローチと、要所を押さえた実験結果で有効性を示したため通ったと考えられる。