우리는 확률적 경사 오라클(stochastic gradient oracle)이 어떤 $p ext{ (} 1 < p ext{ } ext{)} $에 대해 유한한 $p$차 중심 모멘트(central moment)만을 허용하는 중량 꼬리 노이즈(heavy-tailed noise) 하의 비정상 환경(non-stationary environments)에서의 온라인 볼록 최적화(Online Convex Optimization, OCO)를 연구합니다. 정적 후회(static regret)는 잘 이해되어 있는 반면, 파라미터 프리(parameter-free) 방식으로 보편적 동적 후회(universal dynamic regret)를 달성하는 것은 여전히 미해결 과제로 남아 있습니다. 우리는 이를 해결하기 위해 extbf{HT-PAder}를 제안합니다. 이는 기하학적 블록 길이 풀(geometric pool of block lengths)에 대해 재시작된 AdaGrad 전문가(restarted AdaGrad experts)와 메타 손실(meta-losses)에 대한 모멘트 조건이 필요 없는 경로 기반 메타 알고리즘(pathwise meta-algorithm)인 extbf{AdaGrad-Hedge}를 결합한 파라미터 프리 알고리즘입니다. 직경 $D$, 립시츠 상수(Lipschitz constant) $G$, 노이즈 수준 $\sigma$, 그리고 비교 대상 경로 길이(comparator path length) $P_T$인 도메인에 대해, HT-PAder는 다음과 같은 기대 보편적 동적 후회(expected universal dynamic regret)를 달성합니다: [ \widetilde O\left( GD\sqrt{T(1+P_T/D)} + \sigma D T^{1/p}(1+P_T/D)^{(p-1)/p} \right). ] 이 알고리즘은 이러한 문제 파라미터 중 그 어떤 것에 대한 사전 지식도 요구하지 않습니다. 유한 분산($p=2$)의 특수한 경우에도, HT-PAder는 최초의 파라미터 프리 미니맥스 보편적 동적 후회(parameter-free minimax universal dynamic regret) 보증을 제공합니다. 우리는 또한 경로 길이 지수(path-length exponent)의 최적성을 확립하며 이에 부합하는 하한(lower bound)을 증명합니다.