本文提出了一种基于 Exponential Weighted Moving Average，使用随机特征进行 Maximum Mean Discrepancy 距离度量、实现高效率非参数在线变点检测的方法。
May, 2018
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
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
本文中，我们提出了一种基于Wasserstein距离的新型变点检测方法WATCH，该方法通过对初始分布进行建模并监控其行为，处理新数据点时能够提供动态高维数据中准确和强健的变点检测，并在包括许多基准数据集的广泛实验评估中表现优于现有的方法。
Jan, 2022
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
我们提出了一种新的谱方法：Scalable Change Point Detection（SCPD），它可以有效地检测动态图中的异常变化点，同时可以捕获到节点属性的变化， 该方法具有可扩展性且能快速处理数百万条边，可以处理大量节点属性，进行了大量的实验表明，SCPDM具有最先进的性能，可以发现大型现实世界图中的有趣事件。
May, 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
我们的研究工作介绍了一种新颖的连续测试时域自适应异常检测方法，通过解决领域变化和有限数据代表性问题，实现了早期稳健的异常检测，能够有效适应不断变化的操作条件，尤其对于数据稀缺的系统具有显著改进，并在故障检测中表现出增强的准确性和可靠性。
Jun, 2024
本文针对时间序列异常检测中的研究空白，提出了一种新的分类法，区分在线与离线、训练与推断。通过对现有的模型基础在线半监督和无监督异常检测方法的全面概述，指出了在基准测试中存在的挑战，并强调了解决评估指标及数据集缺陷的重要性，以推动该领域的实际应用。
Aug, 2024
本研究针对多变量时间序列中的异常检测问题，提出了一种新的分类方法，区分了在线与离线、训练与推理的概念。文章详细分析了当前模型基础的在线半监督和无监督异常检测方法，指出了在基准测试方面面临的重大挑战，并提出改善评估指标和检测阈值选择的必要性，这为未来的研究提供了重要的方向。