深層学習モデルは優れた汎化性能を示すが、テストデータが訓練データから分布シフトする場合は性能が低下する。これに対し、ラベルなしのテストデータを活用してモデルを推論中に適応させるテスト時適応（TTA）が注目されている。TTA手法の一つであるテストエントロピー最小化（Tent）は出力予測のエントロピーを最小化することで分布シフト下のモデル性能を改善するが、適応がチャネルごとのアフィンパラメータの更新に限定されているため、複雑な分布シフトへの適応性に限界がある。この課題を解決するため、本研究では受容野を調整可能な活性化関数FunnelActivation（FReLU）をTentに組み込む手法を提案し、分布シフトへの適応性向上を図った。実験の結果、FReLUを統合したTentは従来手法より性能が向上した。
