본 논문은 에지 디바이스 상에서의 머신러닝 모델 배포의 어려움(제한된 자원, 동적인 환경, 훈련 데이터와 실제 데이터 분포의 차이)을 해결하기 위해, 양자화된 테스트 시간 적응(Test-Time Adaptation, TTA)을 위한 새로운 백프로퍼게이션이 없는 무상태 프레임워크인 LeanTTA를 제시한다. LeanTTA는 역전파 없이 정규화 통계를 동적으로 업데이트하여 계산 비용을 최소화하며, 큰 배치 크기와 과거 데이터에 의존하는 기존 방법의 한계를 극복한다. 부분 적응과 양자화 모듈 융합을 결합하여 추가적인 계산 이점을 얻는 최초의 방법이며, 다양한 센서 모드에서 기존 최고 성능의 TTA 방법보다 상당한 성능 향상(15.7% 오류 감소, ResNet18의 최대 메모리 사용량 11.2MB, 빠른 적응 속도)을 보였다. 제한된 데이터와 다양한 작동 조건이라는 에지 배포의 고유한 과제를 해결하여 정확성과 시스템 효율성 간의 최적의 균형을 제공한다.
