本文提出了Meta-Adapter和Tip-Adapter方法，通过轻量级适配器优化CLIP特征，以提升少样本学习能力。Tip-Adapter在多个数据集上表现优异，且无需额外训练。此外，研究还探讨了高斯判别分析在CLIP分类中的应用，显示其在少样本分类和无监督学习中的优势。

本研究提出了一种高效的微调方法，将高斯判别分析（GDA）应用于图像预训练模型CLIP的下游分类任务中。该方法在少样本分类、不平衡学习和超出分布泛化等方面表现优秀，并可扩展到基于新类别的推理和无监督学习。