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

我们提出了一种基于深度学习的 CPD/AD 方法，名为 Probabilistic Predictive Coding (PPC)，该方法通过联合学习将序列数据编码成低维潜在空间表示，并预测后续的数据表示以及相应的预测不确定性。该方法具有解释性和可调整性，具有线性时间复杂度，并能适应多种数据类型和复杂应用。

May, 2024

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

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

本文提出了一种使用对比学习和特征跟踪进行无监督卫星图像时间序列变化检测的方法，并通过两个数据集的实验证明了该方法的准确性提升。

Apr, 2023

本文提出了一种基于 KL-CPD 的核学习框架，用于时间序列变点检测。该方法通过辅助生成模型优化测试功率的下限，使 Kernel two-sample test 在实际应用中获得了数据驱动的核，可以检测不同类型的变点，并在基准数据集和模拟研究的比较评估中明显优于其他现有方法。

Jan, 2019

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

本文介绍了一种自适应时间差异版对比性预测编码，通过拼接不同时间序列数据的片段来减少学习未来事件预测所需的数据量，并将该方法应用于推导目标条件强化学习的离线策略算法。实验表明，与先前的强化学习方法相比，我们的方法在成功率方面取得了 2 倍的中值提高，能够更好地应对随机环境。在表格设置中，我们展示了我们的方法比后续表示方法更节约样本，比标准（蒙特卡洛）版本的对比性预测编码更节约样本数量约 20 倍和 1500 倍。

Oct, 2023

我们提出了一种称为 SCOTT 的简单而新颖的融合模型，用于学习标记时间序列数据的表示，通过合适的数据增强方法和 Transformer 与 Temporal Convolutional Networks 的组合，实现了全局和局部特征的高效学习，同时证明了 SCOTT 在时间序列分类和在线变点检测问题上的优越表现。

Mar, 2024