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

本文研究了在线变点检测算法，提出了基于剪切随机梯度下降的算法，可以在只假设数据生成过程的第二矩有界的情况下工作，并使用联合边界论证形成具有有限样本假阳性率保证的顺序变点算法，可在各种情况下成功检测到概率密度分布的变化。

Jun, 2023

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

文章提出了一种用于检测局部平滑时间序列的协方差结构变化的统计假设检验方法，称为 Confirmatory BOCPD (CBOCPD)，该方法通过确认统计显著性的变化和非变化来改善 Bayesian Online Change Point Detection (BOCPD) 算法，实验结果表明该算法产生了比现有方法更低的预测误差和更高的对数似然性。

May, 2019

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

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

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

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