arXiv cs.CVは2026年9月2日(現地時間)に、マイクロコントローラー (MCU) 上で動作する整数専用の視覚モデル向けに、フォワードオンリーのテスト時適応 (TTA) 手法「FORGE」に関する論文を発表した。この手法は、現場でのセンサーノイズや照明変化といった「分布シフト」に適応することを目的とし、既存の手法では対応が難しかったバッチ正規化 (BN) 層が融合された整数専用の畳み込みネットワークでの実行を可能にする。
この論文は、MCUに展開される視覚モデルが整数専用の算術演算に量子化され、推論専用のランタイムで動作するという課題に焦点を当てている。既存のフォワードオンリーTTA手法は、サーバーまたはエッジGPUクラスのモデルでしか動作しないか、整数デプロイメントで融合されるBN層を必要とするという制約があった。
FORGEの主要な発見は、整数推論において必須であるBN層の先行する畳み込み層への融合が、正規化ベースの適応が依存する統計情報を破壊するという点にある。FORGEは、フォワードパス推定のみを用いて、融合された各畳み込み層のチャネルごとの出力をクリーンなトレーニング統計に再正規化することで、この適応機能を回復させる。
本手法は、勾配ベースのTENTの精度向上（+20.9ポイント vs +24.9ポイント）の大部分を回復し、フォワードオンリーBN適応と同等の性能を達成した。21層中わずか3層の適応で93%の恩恵を回復し、単一サンプルストリーミングにも対応する。また、最大200クラスの3つのデータセットと2つのアーキテクチャにわたって汎用性を示した。ESP32-S3にデプロイし、Nordic PPK2パワープロファイラーで測定した結果、フォワードオンリー適応は展開されたSIMD最適化モデル上で8.3mJ（推論エネルギーの6.8%）と21.9msの低コストで実行可能であることが実証された。
本論文は、ムハンマド・レハン (Muhammad Rehan) 氏、ハイダー・アリ (Haider Ali) 氏、ムハンマド・アリ・ムニール (Muhammad Ali Munir) 氏、モアズ・アムジャッド (Moaz Amjad) 氏によって執筆され、2026年にTransactions on Machine Learning Researchに掲載された。
参考: arXiv cs.CV — 2026年9月3日 13:00 (JST)
原文ハイライト"We present a forward-only TTA method that operates on deployed, BN-folded, integer-only convolutional networks."