현실에 가까운 시험 흐름
단순화한 벤치마크의 성능이 현실 자료의 적응 성능을 충분히 설명하지 못할 수 있다. 연구는 자율주행 자료인 CLAD-C와 SHIFT를 이용해 기존 방법을 검증했다.
지식 보존과 변화 대응
원천 모델의 지식을 보존하지 못하거나 동적으로 변하는 시간 상관 자료에 적응하지 못하면 성능이 낮아질 수 있다. 연구는 변화의 정도가 다른 상황을 함께 다뤘다.
버퍼를 활용한 안정화
기존 자기 학습 프레임워크에 작은 메모리 버퍼를 추가해 안정성을 높인다. 동시에 영역 변화의 강도에 따라 적응을 동적으로 수행하는 구성을 사용한다.
합성과 현실 자료의 평가
제안 방법은 합성 벤치마크와 현실에 가까운 벤치마크에서 비교됐다. 다양한 시험 시점 적응 시나리오를 통해 자료 흐름의 조건에 따른 작동을 평가했다.
관련 문서
NOTE 시험 시점 적응 / DELTA 시험 시점 적응 / RoTTA / CoTTA / ROID 시험 시점 적응 / DeYO