यह शोधपत्र वाइल्डफिट, एक नवीन अनुकूलन ढाँचा प्रस्तुत करता है, जो संसाधन-सीमित IoT उपकरणों में डीप लर्निंग मॉडल की कम सटीकता की समस्या का समाधान करता है, उदाहरण के तौर पर वन्यजीव कैमरा ट्रैप का उपयोग करते हुए। वाइल्डफिट, पृष्ठभूमि परिवर्तनों पर ध्यान केंद्रित करते हुए, ऑन-डिवाइस संश्लेषण के माध्यम से प्रशिक्षण डेटा उत्पन्न करता है, और केवल आवश्यक होने पर ही मॉडल को अद्यतन करने के लिए ड्रिफ्ट-अवेयर फ़ाइन-ट्यूनिंग तकनीक का उपयोग करता है। यह सीमित कनेक्टिविटी और ऊर्जा बाधाओं के तहत भी सटीक प्रजाति वर्गीकरण बनाए रखता है। पृष्ठभूमि-अवेयर संश्लेषण मौजूदा विधियों की तुलना में अधिक कुशल है, और ड्रिफ्ट-अवेयर फ़ाइन-ट्यूनिंग सटीकता में सुधार करते हुए अद्यतनों की संख्या को कम करती है। परिणामस्वरूप, वाइल्डफिट मौजूदा डोमेन अनुकूलन विधियों से 20-35% बेहतर प्रदर्शन करता है और 37 दिनों में केवल 11.2 Wh ऊर्जा की खपत करता है।