본 논문은 분포 변화에 취약한 심층 신경망의 문제를 해결하기 위해, 소스 데이터 접근 없이 테스트 데이터만을 이용하는 Test-Time Adaptation (TTA)에 초점을 맞춥니다. 기존 TTA 방법들의 한계점인 instance-wise alignment에 대한 집중, 복잡한 backpropagation 연산, domain forgetting 문제를 해결하고자, 고확신 인스턴스와 테스트 인스턴스 간의 correlation alignment (TCA)에 대한 이론적 분석을 제공합니다. 이를 바탕으로, 추가적인 모델 업데이트 없이 instance 및 correlation alignment를 달성하는 LinearTCA와 기존 TTA 방법들을 향상시키는 plug-and-play 모듈인 LinearTCA+ 두 가지 알고리즘을 제안합니다. 다양한 실험을 통해 TCA 방법들이 기존 방법들을 상당히 능가하며, 특히 LinearTCA는 낮은 메모리 및 연산량으로 높은 정확도를 달성함을 보여줍니다.
