Dans cet article, nous proposons une nouvelle méthode, l'alignement inter-tâches (CTA), pour améliorer l'apprentissage au moment du test (TTT). Contrairement aux méthodes TTT existantes, CTA ne nécessite pas d'architecture de modèle spécifique et aligne les encodeurs d'apprentissage supervisé avec les encodeurs d'apprentissage auto-supervisé, inspirés par le succès de l'apprentissage contrastif multimodal. Ce processus renforce l'alignement entre les représentations apprises des deux modèles, ce qui atténue le risque d'interférence de gradient, préserve la robustesse intrinsèque de l'apprentissage auto-supervisé et permet des mises à jour plus pertinentes au moment du test. Les résultats expérimentaux montrent qu'il améliore significativement la robustesse et les performances de généralisation par rapport aux méthodes de pointe sur plusieurs jeux de données de référence.
