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。

本研究探讨了机器学习算法在测试样本分布偏离训练样本分布时的挑战，提出了一种新的测试时适应学习范式，结合领域适应与领域泛化的优点。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（TTA）中的对抗风险，提出了新的数据污染假设和攻击方法。研究表明，在缺乏良性样本的情况下，TTA仍能抵御对抗攻击，并提出了有效的防御策略，为开发更鲁棒的TTA方法奠定基础。

该文综述类增量学习，提出因果框架解释灾难性遗忘，指出特征蒸馏因果效应不足，建议基于碰撞效应的因果蒸馏。同时介绍测试时适应、初始训练策略分析、CILIATE框架、任务内与任务ID预测分解、PEC方法、长尾增量场景及二阶段训练，均提升性能。