Este artículo aborda el desafío de implementar modelos profundos en escenarios reales debido a las variaciones distribucionales entre los entornos de entrenamiento y de implementación. Si bien la Adaptación en Tiempo de Prueba (TTA) tradicional ha presentado una solución prometedora para adaptar modelos sobre la marcha sin acceso a los datos fuente, su efectividad se reduce significativamente bajo variaciones distribucionales complejas y mixtas (coexistencia de múltiples dominios latentes) comúnmente encontradas en entornos reales. La adaptación bajo dicha heterogeneidad inherente, particularmente en entornos no etiquetados y en línea, sigue siendo un desafío inexplorado. En este artículo, estudiamos la TTA bajo variaciones distribucionales mixtas y vamos más allá del paradigma convencional de adaptación homogénea. Reconsideramos la TTA desde una perspectiva del dominio de la frecuencia, observando que la heterogeneidad distribucional a menudo se manifiesta en el espacio de Fourier (p. ej., los componentes de alta frecuencia tienden a transmitir variaciones específicas del dominio). Esto nos permite realizar una separación consciente del dominio utilizando señales de textura de alta frecuencia, lo que facilita el manejo de diversos patrones de variación. Para este fin, proponemos un marco de adaptación distribuida basado en la frecuencia, FreDA. FreDA descompone datos globalmente heterogéneos en componentes localmente homogéneos en el dominio de la frecuencia y se adapta robustamente a cambios complejos y evolutivos mediante estrategias de aprendizaje distribuido y aumento. Experimentos exhaustivos en diversos entornos (dañados, naturales y médicos) demuestran que el marco propuesto supera las técnicas más avanzadas.
