通过使用置信序列，我们将时序变化检测简化为时序估计，并在所有活动置信序列的交集为空时宣布变化。我们证明了平均运行长度至少为 1/α，从而实现了具有最小结构假设但具有强有力保证的变化检测方案。
Sep, 2023
该研究探讨了一维高斯过程数据的均值变化检测问题，并提出了基于广义似然比检验的检测方法，该方法在固定域和增长域的两个设置中都几乎渐近地达到最优水平，主要特点是充分利用了高斯过程协方差结构所捕捉到的数据依赖性，即使协方差未知，我们也提出了插件 GLRT 方法，并推导出了该方法仍然渐近近似最优的条件。
Jun, 2015
基于状态空间模型和自适应采样策略的自适应上置信域方案用于部分可观测多传感器顺序变点检测，并通过广义似然比检验开发变点检测方案，理论分析了其侦测能力与自适应采样策略的关联，并通过合成数据和真实数据的数值研究证明了方法的有效性。
Mar, 2024
本文提出了一种基于非参数发散度估计的新型统计变点检测算法，该方法使用相对 Pearson 发散度作为发散度度量，并通过直接密度比估计方法精确而高效地估计，实验结果证明该方法在人类活动感知、语音和 Twitter 消息等人工和真实数据集上是有用的。
Mar, 2012
本研究使用基于极大似然比的 Shiryaev-Roberts 程序提出了一种半参数多周期变点检测程序，用于在实时监测的金融时间序列中高效检测结构性突变（异常）。在基于真实世界的金融数据的统计分析和比较中，该程序的效果略优于传统的累积和图（CUSUM）检测程序。
Sep, 2015
本文利用生成潜在位置模型将变点检测问题定义为假设检验问题，关注时间序列的随机块模型这一特殊情形，并分析了基于不同局部统计方法的两类扫描统计量的极限分布和功率特性，并在合成数据和 Enron 电子邮件语料库上理论和性能比较，证明了两种统计量在一个简单境况下是可接受的，而其中一种统计量在第二种境况下是不可接受的。
Jun, 2013
本论文提出了一种非参数极大似然方法来检测多变点问题，可以适用于数据序列中的任何分布变化，同时通过贝叶斯信息准则确定变点数，并通过动态规划算法和似然函数的内在顺序结构来估计变点位置，模拟研究结果表明，该方法在估计精度和计算时间方面具有令人满意的性能。
May, 2014
本文介绍无监督变点检测技术，该方法适用于处理各种数据源，无需大量标注数据，并针对多项评估标准比较不同算法。
May, 2023
本文介绍了一种适用于多维观测序列的无参数变点分析方法，基于分层聚类提出了分裂和合并算法，应用于遗传学、金融和时空分析中。
在线线性动力系统中的变点检测方法，解决了时间序列属性突变检测的问题，包括未知动力学、时间相关性和多个变点时的检测准确度和延迟的理论保证。
Nov, 2023