本文提出了核变点算法（KCP）来定位独立数据分布中的未知变点个数，并通过模型选择带罚项核经验准则来选择变点，并证明了只要合理选择惩罚项中的常数，KCP 可以以最优速率估计变点位置并检测出分布中所有类型的变化，包括复杂的结构化数据。

Dec, 2016

本文研究基于核方法的变点问题，提出一种新的罚函数来选择变点数量，并探究该方法的非渐近贝叶斯界和测度集中性质。实验结果表明，该方法能够准确检测数据整体分布的变化，即使均值和方差固定。

Feb, 2012

提出一种基于对比预测编码的自监督时间序列变点检测方法，通过在时间间隔对的嵌入表示之间学习区分对比来检测时间序列数据中趋势和属性的变化，相比于现有的五种监督和半监督方法在三个数据集上均取得了更好的性能。

Nov, 2020

使用基于自动编码器的新型损失函数方法对时间序列数据中的变点进行检测，能够发现信号自相关统计中更微妙的变化并减少误报率。该方法可在时间域、频率域或两者中指示变点，并可检测斜率、均值、方差、自相关函数和频率光谱的突变等。实验表明该方法在各种模拟和真实数据集中，始终比其他基线方法具有更高的性能。最后，我们使用匹配滤波器和新的变点分数结合的后处理程序，以解决误检报的问题。

Aug, 2020

提出了一种在线变点检测方法（GOCPD），通过最大化数据来自两个独立模型（时间上的连接）的概率来找到变点，从而克服了标准在线变点检测方法对离群值敏感的缺点。通过展示对合成数据的实用性以及在现实世界的单变点和多变量设置中验证我们的发现，证明了 GOCPD 的有效性。

Aug, 2023

本文提出了两种既适用于小规模信号也适用于大规模信号的，基于再生核方法的突变检测算法。新算法在计算时间和内存使用方面具有较高的效率和精度，并且被证明是一种高度灵活的方法，可以用于复杂的生物数据分析。

Oct, 2017

引入 Derivative-Aware Change Detection (DACD) 方法，通过使用高斯过程（GP）的导数过程进行主动学习（AL），以有效确定变点位置。DACD 通过多个数据采集函数（AFs）平衡导数过程的开发和探索，并利用 GP 导数均值和方差作为准则，选择下一个采样数据点，从而提高算法效率和确保可靠准确的结果。研究表明 DACD 方法在不同场景下的有效性，并优于其他主动学习变点检测方法。

Dec, 2023

本文提出了一类基于核函数的两样本检验方法，其使用由深度神经网络参数化的核函数以确定两个样本集是否来自同一分布，适用于高维、复杂的数据，并在基准和实际数据上证明了其卓越的性能。

Feb, 2020

本文提出了一种新颖的基于深度学习的方法，名为自适应 LSTM 自编码器变点检测（ALACPD），用于多维时间序列的无监督在线变点检测。经过对多个真实世界时间序列变点检测基准的广泛评估，结果表明，ALACPD 在时间序列分割质量方面排名第一，并且在估计变点的准确性方面与最佳表现者持平。

Jul, 2022

本文提出了一种基于 Copula 熵的非参数多变量方法，用于多个变点检测。首先，将单个变点检测作为一组时间序列数据上的两样本检验，将变点考虑为具有最大检验统计量的点；然后，将单个变点检测方法与二分分割策略相结合，提出了多个变点检测方法。在模拟的单变量和多变量数据以及尼罗河数据上，我们验证了我们方法的有效性，并与其他类似方法进行了比较。

Feb, 2024