본 논문은 대규모 사전 훈련 모델(PTM)을 클래스 증분 학습(CIL)에 통합하는 효율적인 전략인 첫 번째 세션 적응(FSA)의 한계를 극복하기 위해, 가소성 향상 테스트 시간 적응(PLASTIC) 방법을 제시합니다. PLASTIC은 테스트 시간 적응(TTA)을 활용하여 레이어 정규화(LayerNorm) 매개변수를 비표시 테스트 데이터에 동적으로 미세 조정함으로써 진화하는 작업에 대한 적응성을 높이고 데이터 손상에 대한 강건성을 향상시킵니다. 교사-학생 증류 프레임워크를 통해 TTA로 인한 모델 분산을 방지하고 안정적인 학습을 유지합니다. 다양한 벤치마크에 대한 실험 결과, PLASTIC은 기존 및 최첨단 PTM 기반 CIL 접근 방식을 능가하며 데이터 손상에 대한 강건성도 보여줍니다.