本論文では、学習データとテストデータが異なる分布に従っている場合の予測モデルの性能向上を目的とした一般的な手法である「Test-Time Training（テストタイムトレーニング）」を提案します。この手法は、単一のラベルなしテストサンプルを自己監督学習問題に変換し、予測を行う前にモデルパラメータを更新します。また、この手法は自然にオンラインストリームデータにも拡張可能です。我々の単純なアプローチは、分布シフトに対する堅牢性を評価する多様な画像分類ベンチマークで性能向上につながることが示されています。