Bài báo này đề cập đến thách thức của việc triển khai các mô hình sâu trong các tình huống thực tế do sự khác biệt về phân phối giữa môi trường huấn luyện và môi trường triển khai. Mặc dù phương pháp Thích ứng Thời gian Kiểm tra (TTA) truyền thống đã đưa ra một giải pháp đầy hứa hẹn để thích ứng các mô hình ngay lập tức mà không cần truy cập dữ liệu nguồn, nhưng hiệu quả của nó bị giảm đáng kể trong các biến thể phân phối phức tạp và hỗn hợp (sự đồng tồn tại của nhiều miền tiềm ẩn) thường gặp trong môi trường thực tế. Việc thích ứng trong điều kiện không đồng nhất cố hữu như vậy, đặc biệt là trong các môi trường không được gắn nhãn và trực tuyến, vẫn là một thách thức chưa được khám phá. Trong bài báo này, chúng tôi nghiên cứu TTA trong các biến thể phân phối hỗn hợp và vượt ra ngoài mô hình thích ứng đồng nhất thông thường. Chúng tôi xem xét lại TTA từ góc độ miền tần số, nhận thấy rằng tính không đồng nhất phân phối thường biểu hiện trong không gian Fourier (ví dụ: các thành phần tần số cao có xu hướng truyền tải các biến thể cụ thể theo miền). Điều này cho phép chúng tôi thực hiện phân tách nhận biết miền bằng cách sử dụng các tín hiệu kết cấu tần số cao, giúp xử lý các mẫu biến thiên đa dạng dễ dàng hơn. Để đạt được mục đích này, chúng tôi đề xuất một khuôn khổ thích ứng phân tán dựa trên tần số, FreDA. FreDA phân tích dữ liệu không đồng nhất toàn cục thành các thành phần đồng nhất cục bộ trong miền tần số và thích ứng mạnh mẽ với những thay đổi phức tạp, liên tục phát triển bằng cách sử dụng các chiến lược học tập phân tán và tăng cường. Các thử nghiệm mở rộng trên nhiều môi trường khác nhau (bị hư hại, tự nhiên và y tế) chứng minh rằng khuôn khổ được đề xuất vượt trội hơn các kỹ thuật tiên tiến.
