정형 데이터 (Tabular data)는 많은 실제 사용 사례에서 광범위하게 사용됩니다. 정형 데이터를 처리하기 위해 딥러닝 (Deep learning) 모델들이 개발되어 왔으나, 일반적으로 테스트 데이터의 분포가 학습 데이터의 분포와 다를 경우 성능이 저하됩니다. 연구자들은 이 문제를 해결하기 위해 테스트 시간 적응 (Test-time adaptation) 접근 방식들을 제안해 왔습니다. 완전 테스트 시간 적응 (Fully test-time adaptation, FTTA) 설정은 레이블이 없는 테스트 데이터만을 사용하여 배포된 분류기 (Classifiers)를 변화된 타겟 분포에 적응시키는 것을 포함합니다. 주요 FTTA 방법론들은 컴퓨터 비전 (Computer vision) 문헌으로부터 배치 의존적 (Batch-dependent) 접근 방식을 계승합니다. 본 논문은 예시들이 하나씩 도착하고 즉시 분류되어야 하는 엄격한 스트리밍 (Streaming) 환경에서 이러한 접근 방식들이 급격히 저하된다는 것을 처음으로 입증합니다. 이는 배치 크기 (Batch size)가 1일 때, 배치 수준의 통계량 (Batch-level statistics)을 사용할 수 없거나 부정확하게 추정되기 때문에 발생합니다. 우리는 싱글톤 (Singleton) 정형 FTTA가 단순히 일반적인 FTTA의 소규모 배치 변형이 아니라, 모델의 스코어 스트림 (Score stream)의 위치만이 직접적으로 관찰 가능한 별개의 식별 가능성 (Identifiability) 문제라고 주장합니다. 이를 해결하기 위해, 우리는 소스 모델을 동결 (Frozen) 상태로 유지하면서 각 단계에서 로짓 공간 (Logit space)을 이동시키는 경량 접근 방식인 순차적 로짓 원점 중심화 (Prequential Logit-Origin Centering, PLOC)를 제안합니다. PLOC는 단 하나의 실행 숫자 (과거 로짓의 평균)만을 저장하며, 레이블을 필요로 하지 않고, 사전 확률 (Priors)을 추정하지 않으며, 가중치 업데이트 (Weight updates)를 완전히 우회합니다. 지연된 변형 (Deferred variant)은 소스의 순위 (Ranking)를 정확하게 보존하는 정적 이동 (Static shift)을 적용하여 AUROC를 그대로 유지합니다. 5개의 정형 벤치마크, 3개의 아키텍처 (MLP, FT-Transformer, TabTransformer), 그리고 5개의 독립적인 소스 체크포인트 (Source checkpoints)를 통해 평가한 결과, PLOC는 강력한 정형 및 엔트로피 기반 (Entropy-based) 베이스라인 모델들을 크게 능가했습니다.