1. 연구 주제

• 분포 변화 환경에서 시계열 분류를 위한 실시간 경량 적응 방법론
• Efficient Test Time Adaptation for Time-series Classification under Distribution Shift
• 제안 방법: OPTA-TS (Online Prototype-and-Pretext Test-time Adaptation for Time-Series Classification)
  • 핵심 아이디어: 사전학습 백본은 완전히 동결한 채, 경량 외부 어댑터와 클래스별 대표값(prototype) 만 EMA로 적응시킨다. 학습 후 보통 버려지는 자기지도 보조 모듈은 "신뢰도 필터"로 되살린다. → 역전파 없이, 어떤 시계열 백본에도 붙는 적응 기법.
• 전체 구조도

2. 배경 및 목표

• 배경
  • 현실 시계열 데이터는 시간이 지나면서 분포가 계속 바뀐다. 학습 시점과 배포 시점의 데이터가 달라지면, 분류 모델 성능은 빠르게 떨어진다.
  • Test-Time Adaptation(TTA) 은 정답(label) 없이 배포 후 들어오는 데이터만으로 모델을 적응시키는 기법이다. 비전 도메인에서는 활발히 연구되었으나, 시계열 분류에서는 아직 미성숙하다.
  • 연구실 선행 연구는 시계열 예측 TTA를 다루었다. 본 연구는 분류 Task로 확장한다.
• Challenges
  1. Collapse — entropy 최소화 기반 기존 TTA는 시계열 스트림에서 같은 답만 반복하며 모델이 무너지기 쉽다.
  2. 계산 비용 — 모바일/엣지/실시간 환경에서는 매 샘플 역전파가 불가능하다. 적응은 가벼워야 한다.
  3. 버려지는 보조 모듈 — 시계열 모델은 학습 시 자기지도 보조 task(마스킹 복원, 대조학습)를 함께 푸는데, 배포 후엔 이 모듈이 폐기된다. 적응에 쓸 수 있는 신호 한 가지가 낭비된다.
• 목표
  • Challenges를 해결하기 위한 역전파 없는, 보조 모듈을 재활용하는, 장기 안정적인 시계열 분류용 TTA 방법(OPTA-TS) 제안.
  • 가장 가까운 경쟁자인 ACCUP(KDD 2025) 와 비교해 ① 역전파 제거, ② 자기지도 모듈 재활용, ③ 장기 안정성 측면에서 명확한 차별점을 확보.

3. 관련 연구

• 시계열 분류
  • "Time-Series Representation Learning via Temporal and Contextual Contrasting" — IJCAI 2021 / TPAMI 2023 [arXiv]
  • "SimMTM: A Simple Pre-Training Framework for Masked Time-Series Modeling" — NeurIPS 2023 [arXiv]
  • "Soft Contrastive Learning for Time Series" — ICLR 2024 [arXiv]
• Test Time Adaptation
  • "Test-Time Classifier Adjustment Module for Model-Agnostic Domain Generalization" — NeurIPS 2021 [OpenReview]
  • "The Norm Must Go On: Dynamic Unsupervised Domain Adaptation by Normalization" — CVPR 2022 [arXiv]
  • "NOTE: Robust Continual Test-time Adaptation Against Temporal Correlation" — NeurIPS 2022 [arXiv]
  • "Towards Stable Test-Time Adaptation in Dynamic Wild World" — ICLR 2023 [arXiv]
• Test Time Adaptation in Time-series
  • "Augmented Contrastive Clustering with Uncertainty-aware Prototyping for Time Series Test Time Adaptation" — KDD 2025 [arXiv]
  • "Source-Free Domain Adaptation with Temporal Imputation for Time Series" — KDD 2023 [arXiv]
  • "Optimization-Free Test-Time Adaptation for Cross-Person Activity Recognition" — IMWUT 2023 [arXiv]
  • "COSA: Context-aware Output-Space Adapter for Test-Time Adaptation in Time Series Forecasting" — ICLR 2026 (연구실 선행) [OpenReview]

4. 연구실 선행 연구

• [ICLR2026] Jeonghwan Im and Hyuk-Yoon Kwon*, “COSA:Context-aware Output-Space Adapter for Test-Time Adaptation in Time Series Forecasting”, The Fourteenth International Conference on Learning Representations(ICLR 2026), Rio de Janeiro, Brazil, Apr. 2026. TOP CONFERENCE in Artificial Intelligence
• [AAAI2025] Jaeseok Jang and Hyuk-Yoon Kwon*, "TAIL-MIL: Time-Aware and Instance-Learnable Multiple Instance Learning for Multivariate Time Series Anomaly Detection," The 39th Annual AAAI Conference on Artificial Intelligence (AAAI2025), Philadelphia, Pennsylvania, USA, Feb. 2025. TOP CONFERENCE in AI   BK IF=4   REGULAR
• [NeurIPS2024] Jaeseok Jang and Hyuk-Yoon Kwon*, "Are Multiple Instance Learning Algorithms Learnable for Instances?," Thirty-Eighth Annual Conference on Neural Information Processing Systems (NeurIPS 2024), Vancouver, Canada, Dec. 2024 (top conference in AI, BK IF=4) [PDF] [VIDEO] (Ack: 2022R1F1A1067008 and 2019R1A6A1A03032119).

5. 인턴 역할

• Unsupervised/Semi supervised 환경에서 분포 변화를 감지하기 위한 Prototype 기반 탐지 방법 고도화