본 논문은 사전 훈련된 모델의 소스 데이터와 훈련 프로토콜에 접근할 수 없는 환경에서 도메인 변화에 대처하는 Fully Test-Time Adaptation (FTTA) 문제를 다룬다. 기존의 소스-타겟 특징 분포 정렬 방식의 한계를 극복하기 위해, 본 논문은 Agnostic FTTA (AFTTA)라는 새로운 접근 방식을 제안한다. AFTTA는 테스트 시간 동안 기성 도메인 변환을 활용하여 예측할 수 없는 타겟 데이터에 대한 직접적인 일반화를 가능하게 한다. 특히, 잠재 표현과 레이블 예측에서 발생할 수 있는 원치 않는 변화를 제거하기 위한 "uncover-and-unlearn" 접근법을 개발하였다. 이 접근법은 상호 정보 기반 기준을 사용하여 특징 공간에서 발생하는 변화를 억제하고, 레이블 공간에서 일관된 예측을 장려한다. 다양한 실험을 통해 제안된 방법이 기존 방법에 비해 우수한 성능을 보임을 입증했다.
