测试时适应

测试时适应是一种机器学习技术，允许模型在推理时利用无标签的测试数据微调自身参数或更新内部表示，从而适应分布偏移。常见方法包括测试时训练、熵最小化和特征对齐等，能显著提升模型在真实场景中的鲁棒性，但需平衡计算开销与适应性。