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

本文提出了一种名为 ABCD 的方法，用于在高维数据流中检测变化，该方法可以确定变化发生的子空间和严重程度，并比其他最先进的方法表现更好。

Jun, 2023

本文介绍了一个用于评估现有的变点检测算法在现实世界数据上表现的数据集，并提出了应用于多个基础真实数据的基准研究，旨在成为新变点检测算法的试验场。

Mar, 2020

该论文通过差分隐私的视角研究了变点检测的统计问题，并提供了在线和离线变点检测的私有算法，并对这些算法进行了理论分析和实证验证。

Aug, 2018

离线变点检测通过识别时间序列中数据生成过程发生变化的点。我们针对至多一个变点的问题，提出使用概念矩阵来学习时间序列中指定训练窗口的特征动态。相关的随机循环神经网络作为数据的特征提取器，并通过特征化和代表性概念矩阵张成的空间之间的单变量距离来识别变点。这种模型无关的方法可以指引进一步研究的潜在兴趣点。我们证明，在温和的假设下，该方法提供了真实变点的一致估计，并通过原始数据的移动块自助法产生统计量的分位数估计。我们使用多类模拟数据对该方法进行测试，并通过聚类度量，图形方法和观察到的 Type 1 错误控制进行性能评估。我们将该方法应用于公开可用的大鼠神经数据，这些数据来自在探索放射迷宫之前经历非 REM 睡眠的阶段。

Aug, 2023

本研究在一个在线概率学习框架中，首次将网络变化点检测问题形式化，并引入了一种可靠的方法。该方法结合了广义分层随机图模型和贝叶斯假设检验，可以定量确定变化点何时、如何精确地发生。在使用已知类型和大小变化点的合成数据进行分析时，证明该方法比以前使用的几种替代方法更准确。应用于两个高分辨率的演化社交网络场景，该方法识别了一系列的变化点，并与这些网络已知的外部 “冲击” 相一致。

Mar, 2014

提出了一种在线方法，用于利用具有意义的表示和模糊推理系统检测和查询犯罪相关时间序列中的变点，并在犯罪数据集和金融数据集上进行了实证评估和比较分析。结果表明该方法能够以极低的计算成本准确检测变点，并且使任何领域的时间序列中特定变点的检测更加直观和易于理解。

Dec, 2023

提出了一种基于图表示相似性的扫描统计学方法，适用于任何具有信息相似性度量的数据集，并提供了准确的分析逼近，用于检测和估计单个变化点和变化时间间隔，通过模拟发现该方法在数据维度中等到较高时比现有方法更具有优势，案例应用包括经典小说作者的确定和网络时间上变化的检测。

Sep, 2012

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

本文提出了一种称为 TopRank 的新颖有效的方法，用于在高维数据中检测变化点，该方法基于数据降维和基于 U 统计量的非参数变化点检测测试，该方法可应用于网络安全领域的异常检测和定位，并在现实的网络数据上进行了验证。

Aug, 2009