本文提出了一种基于非参数发散度估计的新型统计变点检测算法，该方法使用相对Pearson发散度作为发散度度量，并通过直接密度比估计方法精确而高效地估计，实验结果证明该方法在人类活动感知、语音和Twitter消息等人工和真实数据集上是有用的。

Mar, 2012

本文介绍了一种新的DPP类别，即几乎分块对角线协方差矩阵的BwDPP，该DPP类别允许高效的分块MAP推断，并成功应用于解决变点检测问题（CPD），即BwDppCpd方法，通过DPP集合选择估计最终的变点，这种方法在五个真实的数据集上进行了广泛实验，显示出高效性。

Mar, 2015

本篇论文提出了基于核函数非参数统计方法的两种改变点检测统计量，通过使用变换测度技术来表征这些统计量的尾概率，以此获得控制误报率所需的显著性水平和平均运行长度的检测阈值，从而提高了检测效率和准确性。

Jul, 2015

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

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

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

基于状态空间模型和自适应采样策略的自适应上置信域方案用于部分可观测多传感器顺序变点检测，并通过广义似然比检验开发变点检测方案，理论分析了其侦测能力与自适应采样策略的关联，并通过合成数据和真实数据的数值研究证明了方法的有效性。

Mar, 2024