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

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

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

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

本研究介绍了一种有效率高的算法，用于在动态网络的快照模型下，检测变化点，并将此算法应用到合成和真实世界网络上，速度比现有技术提高 9 倍，并且效果也得到了提升。

May, 2017

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

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

该研究提出了一种强鲁棒性的 changepoint detection 方法，应用了 biweight loss 和动态规划算法，可用于在线数据分析和异常点去除，适用于诸如 well-log data、copy number variation 和无线设备篡改检测等领域。

Sep, 2016

本文提出了一种模型无关的贝叶斯在线学习方法，通过整合变点检测、切换动态系统和贝叶斯在线学习的思想来同时推断这些分布漂移并根据检测到的变化适应模型，能够在监督和无监督学习环境中使用，适用于概念漂移或协变漂移的环境，并在贝叶斯在线学习方法方面取得了改进。

Dec, 2020