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

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

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

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

本论文使用对比学习的方法，以 Contrastive Predictive Coding 模型为基础，通过解释模型的对比损失作为异常得分，进行异常检测和分割，取得了令人满意的结果，适用于 MVTec-AD 数据集。

Jul, 2021

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

LPC-AD 是一种快速而精确的多元时间序列异常检测方法，通过降低训练时间和提高检测准确度来提升性能，利用 autoencoder、latent predictive coding 等思想构建了通用架构 LPC-Reconstruct，实现了不同训练速度和检测准确度之间的权衡。

May, 2022

该研究提出了一种基于自适应变点检测（A-CPD）的音频切分方法，用于机器辅助对音频录音片段进行弱标签注释，旨在最大程度地获取关于目标声音的时间激活信息，并通过有限的注释资源实现高质量的强标签。

Mar, 2024

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