본 연구는 제한된 학습 데이터로 인해 발생하는 정상 패턴의 불완전한 특성화를 해결하기 위해 위험 인식 테스트 시간 적응(RTTAD) 방법을 제안합니다. RTTAD는 학습 단계에서 다중 레벨 표현을 포착하여 강력한 정상 사전 지식을 구축하고, 테스트 단계에서 TTCL 모듈을 사용하여 신뢰 수준이 높은 샘플만 선택적으로 업데이트합니다. 15개의 테이블 데이터셋에 대한 실험 결과, RTTAD는 최첨단 전체 탐지 성능을 달성했습니다.