NEWMA：一种新的可扩展的无模型在线变点检测方法
本文提出了基于概率指数加权移动平均（PEWMA）的实时多元异常检测算法，能够在数据流中对 (突发瞬态、突发分布和渐变分布) 的数据漂移具有鲁棒性，且无需标记样本，能够有效检测概念漂移。
Sep, 2022
EdgeMA 是一个实际高效的视频分析系统，通过基于统计纹理特征的灰度共生矩阵提取和随机森林分类器检测领域转变，以及基于重要性加权的模型适应方法，解决了边缘设备上实时视频分析中数据漂移问题，并通过真实数据集的严格评估，结果表明 EdgeMA 显著提高了推理准确性。
Aug, 2023
本文提出了一种混合过程，通过使用特定于流的广义似然比统计量来跟踪并检测数据流中的变化点，我们假定一开始的数据为独立标准正态随机变量。在变化点后，数据流的子集将具有非零平均值，这是我们需要检测和跟踪的。我们在分析中提出了 ARL 和 EDD 测量方法，通过数值实验得到了良好的结果。
Jul, 2012
提出了一种基于指数移动平均（EMA）的预测模型，并通过实验证明了其在预测准确性上的优势，尽管计算复杂度略微增加，但在任何实验条件下以比 EMA 显著更好的性能提供了可观的改进。
Dec, 2023
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
本文引入一种名为 “预测和比较” 的预测机器学习模型辅助的变点检测框架，用于改进传统的连续分析方法，基于假阳性率和失控平均运行长度方面的质量指标，从而提高连续分析方法的精度，而在使用预测动态平均值这种基本趋势估计功能时，采用了更为先进的 ARIMA 模型。
May, 2023
本文提出了一种基于贝叶斯方法的在线检测突变点的算法，该算法针对在突变点前后的模型参数独立的情况，采用简单的信息传递算法计算了当前 “run” 的长度的概率分布，并在三个不同的真实数据集上进行了演示。
Oct, 2007
本文介绍了多变量时间序列离线检测的多个变点的算法。为了组织这个广泛的工作领域，采用了一种一般但有结构化的方法论策略。此次审查中考虑的检测算法由三个因素组成：成本函数、搜索方法和对变化数量的约束。对这些因素进行了描述、回顾和讨论。文中描述的主要算法的实现提供在名为 ruptures 的 Python 包中。
Jan, 2018