測試時適應

指在推論當下、不使用任何標記、僅憑未標記的測試資料本身，將模型適應到每一批新資料。此概念借自主流機器學習，其典型手法為：從當前資料重新計算正規化統計量（測試時批次正規化適應）、最小化模型自身預測的熵以使其對某一輸出堅定地作出承諾（如 TENT 方法），以及測試時訓練——在傳入資料上優化一個自監督輔助損失，於解碼前將特徵推回原分布。

對腦機介面而言，測試時適應之所以誘人，是因為非平穩性持續到來，而測試資料正是偏移顯現之處。它輕量且無需儲存校準集。其風險則專屬於閉迴路使用：熵最小化可能塌陷至一個理直氣壯卻錯誤的固定點，而在運行中的資料流上適應可能追逐短暫的雜訊。由於腦機介面即時作用於自身的輸出，一次不穩定的測試時更新可能將使用者推入一個回饋迴路，而同一更新又會反過來強化它，因此此處相較於離線基準測試，更需要保守的更新速率與安全回退機制。