本研究提出了BoTTA基准评估方法，以应对移动和边缘设备上测试时适应(TTA)的挑战，尤其是在资源有限的环境中。研究表明，许多现代TTA算法在小数据集上表现不佳，难以适应未见类别，为实际应用提供了指导。

本研究提出了一种新的测试时适应学习范式，以应对机器学习算法在样本分布偏离时的挑战。通过回顾400多篇论文，分类现有方法并分析其有效性，展望未来研究机会。

本文研究了测试时适应中的对抗风险，提出了新的数据污染假设和攻击方法。发现即使没有良性样本，TTA仍具鲁棒性，并提出了有效的防御策略，为更鲁棒的TTA方法开发奠定基础。