Adaptacja w czasie testowania to obiecujący kierunek badań, który pozwala modelowi samodzielnie dostosowywać się do zmian w danych bez potrzeby dodatkowego nadzoru. Jednak obecne metody są zazwyczaj testowane na uproszczonych zestawach danych, które nie w pełni odzwierciedlają rzeczywiste warunki.

Dlatego proponujemy ocenę metod adaptacji w czasie testowania na niedawno wprowadzonych zestawach danych dla autonomicznej jazdy, CLAD-C i SHIFT. Nasze obserwacje pokazują, że istniejące podejścia mają trudności z radzeniem sobie z różnym stopniem zmiany domeny, co często prowadzi do pogorszenia wyników – nawet poniżej poziomu modelu bazowego.

Zidentyfikowaliśmy, że główny problem wynika z braku zdolności do jednoczesnego zachowania wiedzy modelu źródłowego oraz dostosowania się do dynamicznie zmieniających się, czasowo skorelowanych strumieni danych. Aby temu zaradzić, ulepszamy dobrze znane podejście samotrenowania, wprowadzając niewielki bufor pamięci, który zwiększa stabilność modelu, a także dynamiczne dostosowywanie się do zmian domeny w zależności od ich intensywności.

Proponowana metoda, AR-TTA, przewyższa dotychczasowe podejścia zarówno na syntetycznych, jak i bardziej realistycznych benchmarkach, wykazując odporność w różnych scenariuszach adaptacji w czasie testowania.