この記事では、テスト時適応（TTA）というモデル調整手法を提案しています。従来のTTA方法は、高頻度の適応と高い計算コストが必要であり、リソース制約のあるエッジ環境には適していません。そこで、SNAPという間欠的なTTAフレームワークを提案し、適応頻度とデータ使用量を削減しつつ精度を維持します。SNAPは、受信データストリームの1%に基づいて適応しても競争力のある精度を維持し、その堅牢性を示しています。この手法には、クラスとドメインの代表的サンプルを保存する「Class and Domain Representative Memory（CnDRM）」と、推論時に代表サンプルを用いて正規化統計を動的に調整する「Inference-only Batch-aware Memory Normalization（IoBMN）」の2つの重要な要素があります。SNAPは、既存のTTAアルゴリズムと統合することで、遅延を最大93.12%削減し、精度の低下を3.3%未満に抑えることができます。このように、SNAPは低遅延アプリケーション向けのエッジデバイスでの実用的な使用の可能性が高いことを示しています。