#Continual TTA

通过自适应表示对齐实现非平稳环境中的测试时自适应

基于摘要分析。本文研究非平稳数据流中的持续测试时自适应：数据分布不断变化，而每次只能获得少量无标签数据。作者提出 Ada-ReAlign，利用源数据的紧凑摘要（sketch）作为参照，通过自适应表示对齐，使变化中的目标数据流与源数据表示保持对齐。 核心机制是让一组基学习器探索不同长度的无标签历史数据流，再由元学习器自适应组合，以应对未知且持续演化的分布。与摘要中主要依赖可靠伪标签的持续测试时自适应思路相比，该方法着重挖掘源域表示对齐，并以多种历史长度缓解当前无标签样本不足的问题。源数据 sketch 的具体构造、对齐目标、组合权重更新方式及训练与推理开销尚未验证。 作者报告，该方法在凸性假设下具有理论保证，并在基准数据集和一个真实应用中验证了有效性与适应性。摘要未提供数据集名称、评估协议、对照方法或具体指标，因此无法判断优势幅度及适用边界；实验协议、消融及统计信息尚未验证，理论结论能否覆盖具体深度模型也需核对全文。 平台推测（待验证）：其多历史窗口组合机制可能适用于 EEG 在线解码中的非平稳漂移，但原研究对象是通用数据流，摘要并未提供 EEG 或 BCI 证据。迁移假设依赖可持续获得的无标签 EEG 窗口和可保存的源表示 sketch；可复用窗口组合与对齐框架，但需改造 EEG 表征、窗口单位和源统计量。低信噪比、小数据及被试或通道变化可能使表示对齐失准，较长历史也可能混入过时分布。可先在固定通道的跨会话 EEG 数据上按时间顺序回放，对比冻结模型、固定历史窗口对齐和自适应窗口组合，并将目标标签仅用于评估，以检验组合机制能否改善漂移后的解码表现。已有 EEG 相关工作尚未检索确认。