研究Markov随机场的结构的改变检测问题，针对Ising模型和具有网络结构的高斯Markov随机场的重要情况，研究了样本大小与可靠性之间的平衡，并获得了在这些模型上进行可靠变化检测的信息论下限。
Oct, 2017
该论文提出了一种基于符合度检查度量的算法，用于自动检测渐进漂移的变化，并对这些变化进行自动分类，通过合成数据集验证了该算法的准确性和延迟，并得到了更好的结果。
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
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。
通过使用置信序列，我们将时序变化检测简化为时序估计，并在所有活动置信序列的交集为空时宣布变化。我们证明了平均运行长度至少为1/α，从而实现了具有最小结构假设但具有强有力保证的变化检测方案。
Sep, 2023
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
通过引入基于核的累加和（KCUSUM）算法，我们扩展了传统累加和（CUSUM）方法，使之具备了针对高容量数据场景下在线变点检测的能力，并在仅有参考样本的情况下，通过与参考样本的比较来检测数据中与参考样本的偏离情况，从而在实时数据流中检测突变。
Feb, 2024
该研究提出了一种新型批处理漂移检测器（GSD），能在没有真实类别标签的情况下监测数据流中的漂移变化，并且在实验中对比了其他算法，证明了该检测器在检测真实漂移和忽略虚假漂移方面的出色性能。
May, 2024
提供一种解释时间戳观察结果的方式，通过简单的事件（包括事实的真值改变）来解释观察结果，定义了处理惊喜事件的框架，提供了最小惊喜集合，并从基于模型诊断的角度对其进行了特征化，同时提出了惊喜最小化的概率方法。
Jul, 2024
本研究针对数据稀疏性和模型复杂性造成的数据分析平台部署困难的问题，提出了一种利用迁移学习改进异常检测的创新方法。研究表明，通过在半监督自编码器中转移训练的时空异常检测模型，能够显著提高目标子探测器的模型学习准确性，增强数据重构和异常检测性能，同时减少可训练参数，实现更强的抗异常干扰能力。
Aug, 2024