本論文は,訓練環境と配布環境間の分布変化のため,実際のシナリオで深いモデルを配布することが困難な問題を扱う。従来のTest-Time Adaptation（TTA）は、ソースデータにアクセスすることなくモデルをオンザフライに適応させるための有望な解決策として提示されていますが、実際の環境で一般的に発生する複雑で混在した分布の変化（複数の潜在ドメインが共存）では効果が大幅に低下します。特に、非標識およびオンライン条件におけるこれらの固有の不均一性の下で適応することは、未開拓の課題である。本論文では,混合分布変化の下でTTAを研究し,既存の同種適応パラダイムを超えた。周波数領域の観点からTTAを見直し、分布の不均一性がしばしばフーリエ空間に現れることを観察します（例えば、高周波成分はドメイン固有の変化を伝える傾向があります）。これにより、高周波テクスチャキューを用いたドメイン認識分離を行い、様々な変化パターンをより扱いやすくする。この目的のために、本論文では周波数ベースの分散適応フレームワークであるFreDAを提案します。 FreDAは、周波数領域でグローバルに不均一なデータを局所的に同種のコンポーネントに分解し、分散学習と拡張戦略を使用して複雑で進化する変化に強く適応します。さまざまな環境（損傷、自然、および医療）にわたる広範な実験は、提案されたフレームワークが最先端の技術より優れていることを示しています。
