배포된 모델의 수명 주기 동안 훈련 데이터와 테스트 데이터 간의 분포 변화는 불가피하며, 이는 성능 저하로 이어진다. 테스트 샘플에 모델을 적응시키면 이러한 성능 저하를 완화할 수 있다. 본 논문에서는 시간이 지남에 따라 점진적으로 진화하는 분포 변화에 초점을 맞추어, STAD라는 베이지안 필터링 방법을 제안한다. 이는 라벨 없이, 시간 변화에 따라 마지막 은닉 특징의 동적 변화를 학습하여 모델을 적응시킨다. STAD는 동적 분류 헤드 역할을 하는 시간 변화 클래스 프로토타입을 추론한다. 실제 세계의 시간적 분포 변화에 대한 실험을 통해, 제안된 방법이 작은 배치 크기와 라벨 시프트에 효과적임을 입증한다.
