当预训练VLM迁移到新数据集时，首先对这个数据集中所有类别的文本和图像建立子图，然后基于这些子图来训练GCN进行进一步的微调，使VLM能适应新数据集上的新类别和新任务。
通过调节模型在新数据集上的残差系数，模型可以更好的拟合新数据集，与此同时，在其他数据集上的泛化性会变得更差。
本文方法是通过GCN和KG增强预训练VLM的文本特征，因此消融实验尝试了增强图像、同时增强图像和文本。
通过调节图像和文本的融合比例、增强特征和原始特征的融合比例，可以取得更好的效果；Learnable不如手工调整；
参数量和计算量处于合理水平
OpenReveiw主要质疑的是复杂度、规模扩展性和细粒度、开放世界问题。