本研究では、テスト時適応の新手法である「適応型分位点再キャリブレーション（AQR）」を提案します。深層学習モデルの一般化能力を向上させるために、ドメイン適応が重要ですが、従来の方法はターゲットドメインの事前知識やモデルの再学習を必要とし、実用性に制約があります。AQRは、チャネルごとに分位点を調整することで、活性化分布を修正し、BatchNormやGroupNorm、LayerNormなどの異なるアーキテクチャに対しても適用可能です。さらに、バッチサイズが異なる場合の分布の尾部の見積もりには、安定性と精度を向上させる堅牢なキャリブレーション戦略を取り入れています。実験結果は、CIFAR-10-C、CIFAR-100-C、ImageNet-CでのAQRの優れた適応能力を示しており、さまざまなデータ分布における実世界での展開の可能性を強調しています。