본 논문은 CLIP과 같은 비전-언어 기반 모델(VLMs)의 배포 시, 훈련 데이터와 테스트 데이터 간의 분포 차이로 인한 신뢰성 저하 문제를 해결하기 위해 DOTA(DistributiOnal Test-time Adaptation)를 제안합니다. 기존의 캐시 기반 테스트 시간 어댑터는 제한된 용량으로 인해 샘플 삭제 시 심각한 망각 문제를 야기하지만, DOTA는 개별 샘플을 단순히 암기하는 대신 테스트 데이터 스트림의 기저 분포를 지속적으로 추정합니다. 베이즈 정리를 사용하여 이 동적으로 추정된 분포를 통해 테스트 시간 사후 확률을 계산하여 적응하며, 이러한 분포 중심 접근 방식을 통해 모델은 배포 환경에 지속적으로 학습하고 적응할 수 있습니다. 광범위한 실험을 통해 DOTA가 망각 문제를 크게 완화하고 기존 방법보다 우수한 성능을 달성함을 검증했습니다.
