테스트 시간 학습 (Test-Time Training, TTT)은 파라미터 업데이트를 통해 사전 학습된 모델을 각 프롬프트(prompt)에 적응시켜, 사전 학습에서 테스트로 이어지는 분포 변화 (distribution shifts) 상황에서의 정확도를 향상시킵니다. 그러나 TTT의 성능은 업데이트 단계 (update steps) 및 서브스페이스 (subspace)와 같은 하이퍼파라미터 (hyperparameters)에 대한 불안정성과 민감도로 인해 종종 저하됩니다. 우리는 TTT를 커널 영역 (kernel regime)에서의 암묵적 베이지안 추론 (implicit Bayesian inference)으로 취급하여, 의사결정론적 (decision-theoretic) 관점을 통해 이러한 동작을 설명합니다. 가우시안 프로세스 (Gaussian process) 벤치마크 하에서, 우리는 업데이트가 프롬프트의 신호 대 잡음비 (signal-to-noise ratio)와 스펙트럼적으로 일치하고 쿼리 관련 고유 방향 (query-relevant eigen-directions)과 정렬될 때 TTT가 예측 오차를 줄인다는 것을 보여줍니다. 이러한 관점은 다음과 같은 결과들의 토대가 됩니다: (1) 분포 변화 상황에서 고정된 업데이트 단계와 서브스페이스가 실패하는 시점을 보여줌으로써 적응형 전략 (adaptive strategies)의 필요성을 제시합니다; (2) 프롬프트 증거 (prompt evidence)를 통해 업데이트 단계를 선택하는 것이 과적합 (overfitting)에 대해 PAC-Bayes 보장을 허용함을 증명합니다; (3) 선형-가우시안 보정 모델 (linear-Gaussian correction model) 하에서의 베이즈 최적 (Bayes-optimal) 업데이트 서브스페이스를 규정하여, 트랜스포머 블록 (Transformer blocks) 및 헤드 (heads)를 선택하기 위한 스코어링 규칙 (scoring rule)을 도출합니다. 우리의 이론은 TTT의 경험적 불안정성을 설명하는 데 도움을 주며, 언제, 얼마나 멀리, 그리고 어떤 방향으로 적응해야 하는지에 대한 원칙적인 가이드를 제공하는 단계로 나아갑니다.