Inference in high-dimensional online changepoint detection
我们介绍和研究了两个新的推理挑战与高维均值向量的变化的顺序检测。首先，我们寻求一个置信区间的变化点，其次，我们估计的一组指数的坐标的均值变化。我们提出了一种在线算法，产生一个有保证的标称覆盖范围的间隔，其长度是，具有很高的概率，平均检测延迟相同的顺序，对数因子。相应的支持度估计可以控制假阴性和假阳性。模拟证实了我们方法的有效性，我们还说明了其对2017- 2020年美国超额死亡数据的适用性。
2023-03-02 math.ST stat.ME stat.TH
Online Change-Point Detection in High-Dimensional Covariance Structure with Application to Dynamic Networks
在本文中，我们开发了一个在线的高维数据的协方差结构中的变点检测过程。提出了一种新的停止规则，当协方差结构发生变化时，可以尽早终止该过程。停止规则允许时间依赖性，并且可以应用于非高斯数据。推导出了平均游程长度的显式表达式，使得停止规则中的阈值水平可以很容易地得到，而不需要运行耗时的蒙特卡罗模拟。我们还建立了一个上限的预期检测延迟（EDD），其表达式演示了数据依赖性和变化幅度的协方差结构的影响。仿真研究证实了理论结果的准确性。所提出的程序的实际用途是通过检测大脑的协方差网络在静息状态的功能磁共振成像数据集的变化。
2020-03-11 stat.ME
A Constant-per-Iteration Likelihood Ratio Test for Online Changepoint Detection for Exponential Family Models
基于似然比检验的在线变点检测算法已被证明具有优良的统计特性。然而，简单的在线实现在计算上是不可行的，因为在时间$T$，它涉及考虑用于改变的$O(T)$可能位置。最近，已经引入了FOCuS算法来检测高斯数据中的均值变化，该算法将每次迭代的成本降低到$O(\log T)$。这通过使用修剪思想是可能的，修剪思想将需要在时间$T$处考虑的变点位置的集合减少到大约$\log T$。我们表明，如果一个人希望执行一个不同的单参数指数族模型的似然比检验，那么完全相同的修剪规则可以使用，并再次只需要考虑大约$\log T$位置在迭代$T$。此外，我们展示了如何自适应地执行算法的最大化步骤，这样我们只需要在这些可能的位置的一个小子集上最大化检验统计量。实证结果表明，所产生的在线算法，它可以检测到各种模型下的变化，具有恒定的每次迭代的平均成本。
2023-02-09 stat.CO stat.ME stat.ML
BLAST: Bayesian online change-point detection with structured image data
本文提出BLAST方法，利用深度高斯马尔可夫随机场先验和后验游程长度分布，实现结构化图像数据的可扩展贝叶斯在线变点检测，并在街景监控和金属增材制造中验证其有效性。
2025-04-14 stat.CO stat.ME
Locally private online change point detection
我们研究在线变点检测问题的约束下的局部差分隐私（LDP），特别是，统计学家没有访问的原始数据。作为一个具体问题，我们研究了一个多元非参数回归问题。在每个时间点$t$，假定原始数据的形式为$(X_t, Y_t)$，其中$X_t$是$d$维特征向量，$Y_t$是响应变量.我们的主要目标是在回归函数$m_t(x)=\mathbb{E}(Y_t |X_t=x)$发生变化时立即检测出变化。我们提供的算法，尊重LDP约束，控制虚警概率，并检测变化与最小（最小最大速率优化）延迟。为了量化隐私的成本，我们还提出了在基准，非私人设置的最佳速率。这些非私有的结果也是新的文献，因此是有趣的\emph{per se}。此外，我们研究了隐私约束下的单变量均值在线变点检测问题。这为研究更复杂的私有变点检测问题提供了基础。
2021-10-21 math.ST stat.ME stat.TH
Noise-contrastive Online Change Point Detection
HSE University（俄罗斯联邦高等经济学院）；ETH Zürich（苏黎世联邦理工学院）；ETH AI Center（苏黎世联邦理工学院人工智能中心）；SB Robotics（SB机器人）
本文提出了一种新的在线突变点检测方法，通过最大化预突变与后突变分布之间的差异度，设计出适用于参数和非参数场景的灵活算法，并通过数值实验验证了其效率。
2026-03-21 cs.LG math.ST stat.ME
Online Change-point Detection for Matrix-valued Time Series with Latent Two-way Factor Structure
提出了一种在线检测大矩阵时间序列因子结构变化点的新方法。我们的方法是基于众所周知的事实，即在存在一个变点，因子模型可以被重写为一个模型与大量的共同因素。反过来，这意味着，在存在变点的情况下，数据的二阶矩矩阵中的尖峰特征值的数量增加。在此基础上，我们提出了两个家庭的程序-一个基于波动的部分和，和一个基于极值理论-监测是否第一个非尖峰特征值发散后的一个时间点在监测范围内，从而表明存在一个变点。我们的程序是只基于率，在每个时间点，我们随机估计的特征值，从而获得一个正态分布的序列，这是$i.i.d.$与平均零下的零零没有休息，而它发散到正无穷的存在一个变点。我们的监测程序就是以这种顺序为基础的。大量的模拟研究和实证分析证明了理论的正确性。
2021-12-27 stat.ME
A Log-Linear Non-Parametric Online Changepoint Detection Algorithm based on Functional Pruning
本文提出非参数在线变点检测算法NP-FOCuS，利用经验累积密度函数和函数剪枝实现对数线性计算成本，在多种场景下检测功效优于现有非参数方法。
2024-01-11 stat.CO stat.ME stat.ML
Online Change Points Detection for Linear Dynamical Systems with Finite Sample Guarantees
Purdue University（普渡大学）
针对具有未知动态和多个变点的线性动力系统，提出一种带数据依赖阈值的在线变点检测方法，给出虚警概率和检测概率的有限样本界，并指导最小变化间隔以保证检测。
2023-11-30 cs.LG cs.SY eess.SY
High-dimensional, multiscale online changepoint detection
我们介绍了一种新的方法，高维，在线变点检测设置中的$p$变量高斯数据流可能会发生变化的意思。该过程的工作原理是对每个坐标中不同尺度的简单替代品执行似然比检验，然后聚合尺度和坐标上的检验统计量。该算法是在线的，因为它的存储需求和每个新观测的最坏情况计算复杂度都与先前观测的数量无关;在实践中，它甚至可能比这快得多。我们证明了耐心，或平均运行长度下的空，我们的程序至少在所需的标称水平，并提供保证其响应延迟下的替代方案，依赖于稀疏的向量的平均变化。模拟证实了我们的建议，这是在R包'ocd'实施的实际有效性，我们也证明了它的效用地震数据集。
2020-10-10 math.ST stat.CO stat.ME
Online Robust Principal Component Analysis with Change Point Detection
SAS Institute（SAS研究所）；Shanghai Jiao Tong University（上海交通大学）
鲁棒PCA方法通常是批处理算法，需要在处理之前将所有观测加载到内存中。这使得他们处理大数据的效率低下。本文提出了一种有效的在线鲁棒主成分分析方法，即在线移动窗口鲁棒主成分分析（OMWRPCA）。与现有的算法不同，OMWRPCA不仅可以成功地跟踪缓慢变化的子空间，也可以跟踪突变的子空间。通过在算法中嵌入假设检验，OMWRPCA可以检测到底层子空间的变化点。大量的仿真研究表明，OMWRPCA的优越性能相比，其他国家的最先进的方法。我们还将该算法应用于监控视频的实时背景减除。
2017-03-20 cs.CV cs.LG stat.AP
Multilayer random dot product graphs: Estimation and online change point detection
本文研究多层随机点积图模型，提出基于张量的边概率估计方法，并针对动态MRDPG构建在线变点检测框架，在固定和随机潜在位置情形下设计高效算法以最小化检测延迟并控制误报。
2024-06-10 stat.ME
Beyond Euclidean Summaries: Online Change Point Detection for Distribution-Valued Data
University of Cincinnati（辛辛那提大学）；University at Buffalo（布法罗纽约州立大学）
提出一种基于2-Wasserstein空间的分布值变点检测框架，通过切空间线性化将经典多元监控统计量适配到分布流形，实现对复杂分布变化的快速检测。
2026-05-20 stat.ME
Online Kernel CUSUM for Change-Point Detection
Georgia Institute of Technology（佐治亚理工学院）
本文提出了一种高效的在线核CUSUM方法，用于检测变更点，通过最大核统计量提高对小变化的敏感性，并通过递归计算实现恒定的计算和内存复杂度。
2026-01-06 math.ST stat.ME stat.ML
focus and focus-cpt: Fast Online Changepoint Detection in R and Python
Lancaster University（兰开斯特大学）；Université Paris-Saclay, CNRS, INRAE, Univ Evry, Institute of Plant Sciences Paris-Saclay (IPS2)（巴黎萨克雷大学，法国国家科学研究中心，法国国家农业食品与环境研究院，埃夫里大学，巴黎萨克雷植物科学研究所）；Université Paris-Saclay, AgroParisTech, INRAE, UMR MIA Paris-Saclay（巴黎萨克雷大学，巴黎高等师范学院农业学院，法国国家农业食品与环境研究院，巴黎萨克雷UMR MIA）
该研究推出R和Python包用于单变量及多变量数据流的快速在线变点检测，实现焦点算法族，能高效计算广义似然比检验，支持多种模型，包括自然指数族及非参数和自回归数据检测器。
2026-07-23 stat.ME
Greedy online change point detection
Google（谷歌）；Advanced Center for Electrical and Electronic Engineering（高级电气与电子工程中心）；Center for Mathematical Modeling（数学建模中心）
针对在线变点检测易受异常值影响、错误发现率高的问题，提出 GOCPD，通过最大化双独立模型时间拼接的数据概率定位变点，并利用单峰性以三分搜索实现对数复杂度。
2023-08-14 cs.LG eess.SP stat.ML
Online Structural Change-point Detection of High-dimensional Streaming Data via Dynamic Sparse Subspace Learning
Peking University（北京大学）；Virginia Tech（弗吉尼亚理工大学）；Shanghai Jiao Tong University（上海交通大学）
高维流数据在许多领域变得越来越普遍。它们通常位于多个低维子空间中，并且由于模式转移或异常的发生，流形结构可能在时间尺度上突然改变。然而，以实时方式检测结构变化的问题还没有得到很好的研究。为了填补这一空白，我们提出了一种动态稀疏子空间学习方法在线检测高维流数据的结构变化点。提出了一种新的多结构变点模型，并研究了估计量的渐近性质。提出了一种基于贝叶斯信息准则和变点检测精度的惩罚系数整定方法。提出了一种有效的基于剪枝精确线性时间的在线优化和变点检测算法。通过几个仿真研究和一个真实的案例研究手势数据的运动跟踪所提出的方法的有效性证明。
2022-04-12 cs.LG stat.ML
A spectral approach for online covariance change point detection
University of Hong Kong（香港大学）；Hong Kong University of Science and Technology（香港科技大学）
本文提出基于谱方法的在线协方差变化点检测方法，利用随机矩阵理论构建CUSUM型统计量，实现对变化点的高效检测。
2026-01-30 math.ST stat.ME stat.TH
Online Change-Point Detection in Linear Regression with Autoregressive Errors via Streaming Variational Bayes
Yonsei University（延世大学）
该研究提出流式变分贝叶斯方法，用于带自回归误差的线性回归在线变点检测，经模拟和比特币波动率数据验证，其检测性能优于频率主义序贯监测程序。
2026-10-14 stat.ME
Neural network-based CUSUM for online change-point detection
Georgia Institute of Technology（佐治亚理工学院）；Duke University（杜克大学）
针对经典CUSUM变点检测需预知变点后分布、高维场景下性能受限的问题，提出神经网络CUSUM（NN-CUSUM）方法，结合神经正切核理论给出性能保证，实验验证其在高维数据变点检测中的优异表现。
2024-03-09 cs.LG stat.ME stat.ML
Utility Change Point Detection in Online Social Media: A Revealed Preference Framework
本文研究了在线社交媒体中效用最大化行为的变化检测。这种变化是由于市场营销、广告或地面实况变化的影响而发生的。首先，我们使用显示偏好框架来检测效用函数发生变化的未知时间点（变化点）。我们推导出检测变点的充要条件。其次，在存在噪声测量的情况下，我们提出了一种方法来检测变化点，并构造一个决策测试。此外，提供了一个优化标准，以恢复线性扰动系数。最后，为了减少计算量，提出了一种基于Johnson-Lindenstrauss变换的降维算法。开发的结果说明了两个真实的数据集：雅虎！Tech Buzz数据集和Youstatanalyzer数据集通过使用本文中开发的结果，可以从这些数据集中收集到一些有用的见解。首先，影响代理效用的地面实况的变化可以通过在线搜索中的效用最大化行为来检测。第二，恢复的效用函数满足单交叉性质，表明在线搜索中的策略替代行为。第三，由于YouTube上有大量的视频，通过降维算法验证了效用最大化行为。最后，利用在低维中恢复的效用函数，我们设计了一个算法来预测YouTube的总流量。
2016-12-16 math.ST stat.TH
Online Change Point Detection for Multivariate Inhomogeneous Poisson Processes Time Series
University of Notre Dame（圣母大学）；Auburn University（奥本大学）；Washington University in Saint Louis（华盛顿大学圣路易斯分校）；University of California, Los Angeles（加州大学洛杉矶分校）
针对多元非齐次泊松点过程时间序列，提出一种基于低秩矩阵表示的非参数在线变点检测方法，具有单次遍历、常数计算开销和理论保证。
2026-05-22 stat.ME
Online network change point detection with missing values and temporal dependence
针对含缺失值和时间依赖性的动态网络，提出多项式时间在线变点检测算法，以soft-impute插补子程序实现，在控制第一类错误下达到尖锐检测延迟，实验验证性能卓越。
2024-07-22 stat.ME
Online non-parametric change-point detection for heterogeneous data streams observed over graph nodes
考虑由图的节点生成的异构数据流。数据流本质上由多个流组成，可能具有取决于每个节点的不同性质。在给定时刻$τ$，对于节点$C$的子集出现变化点，表示它们的关联流的概率分布的变化。在本文中，我们提出了一个在线的非参数方法来推断$τ$的基础上的变化后，与每个节点的数据流的变化前的分布之间的似然比的直接估计。我们提出了一种基于核的方法，假设连接的节点的图预计有类似的似然比估计时，没有变点。我们证明了我们的方法在合成实验和现实世界中的应用质量。
2021-10-20 cs.LG stat.ML
Sequential Control of False Positives in Online Change Point Detection
University of Pennsylvania（宾夕法尼亚大学）
研究在线变点检测中误报控制问题，提出顺序族错误率及基于模拟的校准程序来估计监测阈值，通过模拟研究和实例验证该方法能有效控制误报，优于常用替代方法。
2026-07-20 stat.ME
An Efficient Likelihood Ratio Test for Online Changepoint Detection in the Presence of Autocorrelation
School of Mathematical Sciences Lancaster University（兰卡斯特大学数学科学学院）
研究在数据存在自相关时的在线变点检测问题，将广义似然比统计量扩展到p阶自回归过程，结合聚焦算法开发出AR（p）-聚焦算法，该算法计算高效，适用于高频数据流，检测能力优于基于IID的检验。
2026-07-20 stat.CO stat.ME stat.ML
Online change point detection under heavy-tailedness and contamination
University of Warwick（华威大学）；University of Birmingham（伯明翰大学）
针对动态Huber污染模型，提出在线鲁棒均值变点检测方法，在单变量中划分参数空间实现最优检测延迟，多变量中设计鲁棒均值检验程序，首次同时处理Huber污染和重尾性。
2026-06-08 math.ST stat.TH
High dimensional change-point detection: a complete graph approach
Humboldt University Berlin（柏林洪堡大学）；Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学科学研究所）；Weierstrass Institute（魏尔斯特拉斯研究所）；HSE（高等经济学院）
在线变点检测的目的是为了准确、及时地发现结构突变。随着数据维度的增长超过了观测数据的数量，在线检测变得具有挑战性。现有的方法通常只测试均值的变化，忽略了方差变化的实际方面。我们提出了一个完整的基于图的，变点检测算法检测的变化，从低到高维的在线数据与可变扫描窗口的均值和方差。受完全图结构的启发，我们引入图生成率将高维数据映射到度量，然后统计测试是否发生均值变化或方差变化。理论研究表明，我们的方法具有理想的关键属性，是强大的规定的错误概率。我们证明，这个框架优于其他方法的检测能力。我们的方法具有较高的检测能力与小和多个扫描窗口，这使得在线设置中的变化点的及时检测。最后，我们将该方法应用于金融数据，以检测标准普尔500指数股票的变点。
2022-03-16 cs.LG stat.ME stat.ML
Online Missing Value Imputation and Change Point Detection with the Gaussian Copula
Cornell University（康奈尔大学）
缺失值插补对于现实世界的数据科学工作流程至关重要。在线环境中的估算更难，因为它要求估算方法本身能够随着时间的推移而发展。对于实际应用，插补算法应该产生与真实数据分布相匹配的插补，处理混合类型的数据，包括有序，布尔和连续变量，并扩展到大型数据集。在这项工作中，我们开发了一个新的在线插补算法的混合数据使用高斯copula。在线高斯Copula模型满足所有的需求：即使对于混合数据，其估算也与数据分布相匹配，当流数据具有变化的分布时，其离线对应物的准确性有所提高，特别是在大规模数据集上的速度（高达一个数量级）。通过对在线数据拟合Copula模型，我们还提供了一种新的方法来检测具有缺失值的多元相关结构中的变点。仿真和真实数据的实验结果验证了所提出的方法的性能。
2021-12-15 cs.LG stat.ML
Online Change-Point Detection with Persistent Laplacian Features
College of Science, Shihezi University（石河子大学理学院）
针对高维非线性时间序列在线变点检测，提出PL-CUSUM方法，将滑动窗口转为点云，用持久拉普拉斯谱构建监测分数，分析关键性能标准，给出阶段程序，实验表明其能稳定控制误报且检测性能有竞争力。
2026-07-22 stat.ME
A Note on Online Change Point Detection
我们研究了单变量非参数设置中的顺序变化点估计和检测，其中收集了来自亚高斯分布的独立观测值流，具有公共方差因子和分段常数，但其他均值未知。我们开发了一个简单的基于ARMUM的方法，可证明控制误报的概率或平均运行长度，同时最大限度地减少，在极大极小的意义上，检测延迟。我们允许所有的模型参数变化，以捕捉广泛的水平的统计硬度的问题。我们进一步展示了我们的方法是如何适用于多个变化点的情况下，估计顺序。
2020-11-13 math.ST stat.TH
Bayesian Online Change Point Detection for Baseline Shifts
Intel K.K.（英特尔株式会社）
在时间序列数据分析中，实时（在线）检测变化点在许多领域都有很大的兴趣，例如金融，环境监测和医学。一个有前途的手段来实现这一点是贝叶斯在线变化点检测（BOCPD）算法，这已成功地通过在特定的情况下，其中的时间序列的利益有一个固定的基线。然而，我们已经发现，当基线不可逆地从其初始状态转移时，该算法会出现问题。这是因为使用原始BOCPD算法，如果数据点在相对远离原始基线的位置处波动，则可以检测到变化点的灵敏度降低。在本文中，我们不仅扩展了原来的BOCPD算法适用于一个时间序列，其基线是不断向未知值，但也可视化为什么建议的扩展工程。为了证明所提出的算法的有效性相比，原来的，我们研究这些算法在两个真实世界的数据集和六个合成数据集。
2022-01-07 cs.LG stat.AP stat.ML
gridcp: Fast Online Changepoint Detection in Python
University of Oslo（奥斯陆大学）；Norwegian Computing Center（挪威计算中心）
该研究提出开源 Python 包 gridcp，基于网格方法将离线变点检验转为高效在线检测器，含 Numba 加速内置检验，支持自定义检验与阈值校准，经模拟和真实数据验证其高效准确。
2026-08-20 stat.ME
Online Neural Networks for Change-Point Detection
HSE University（莫斯科国立高等经济大学）
本文提出基于神经网络和在线学习的变化点检测方法，通过实验验证其在大规模时间序列中的有效性与优越性。
2026-03-07 cs.AI cs.LG stat.ML
Online Centralized Non-parametric Change-point Detection via Graph-based Likelihood-ratio Estimation
Centre Borelli, ENS Paris-Saclay, Université Paris-Saclay（巴黎萨克雷大学巴黎萨克雷高等师范学院博雷利中心）
考虑图中的每个节点都要生成一个数据流，该数据流是同步的，并且可以近实时地观察到。在变化点$τ$，在节点$C$的子集处发生变化，这影响其相关联的节点流的概率分布。在本文中，我们提出了一种新的基于核的方法来检测$τ$和本地化$C$，基于直接估计的似然比之间的变化和变化前的节点流的分布。我们的主要工作假设是图上的似然比估计的平滑性，即期望连接的节点具有相似的似然比。所提出的方法的质量证明了广泛的实验合成的情况下。
2023-01-12 cs.LG stat.ML
Online detection of local abrupt changes in high-dimensional Gaussian graphical models
General Motors（通用汽车）；University of Florida（佛罗里达大学）
由于在生物学、经济学和社会科学中的新应用，以在线方式识别高维高斯图形模型（GGM）中的变点的问题引起了人们的兴趣。离线版本的问题，其中所有的数据是先验的，导致了一些方法和相关的算法，涉及正则化损失函数。然而，对于在线版本，目前只有一个单一的工作在文献中，开发了一个顺序测试程序，并研究其渐近虚警概率和功率。后一种测试最适合于检测由GGM的精度矩阵的结构中的全局变化驱动的变化点，在这个意义上，涉及许多边缘。然而，在许多实际设置中，变化点是由局部变化驱动的，在这个意义上，只有少量的边缘表现出变化。为此，我们开发了一种新的测试来解决这个问题，它是基于适当选择的部分传入数据的归一化协方差阵的$\ell_\infty$范数。零（不存在变化点）和替代（存在变化点）假设下的拟议的检验统计量的渐近分布的研究需要新的技术工具，检查最大值的图形依赖的高斯随机变量，和独立的利益。它进一步表明，这些工具导致施加温和的规律性条件的关键模型参数，而不是更严格的要求，利用以前使用的工具在文献中的相关问题。合成数据的数值工作说明了良好的性能，所提出的检测过程中的计算和统计效率在众多的实验设置。
2020-03-16 cs.LG math.ST stat.ME
Optimality of Graph Scanning Statistic for Online Community Detection
图的序列变点检测是流网络数据类型的基本问题，在社交网络和电力系统中有着广泛的应用。给定固定顶点和随机图序列，目标是检测随机图的潜在分布变化的变点。特别是，我们专注于局部变化，只影响一个子图。我们采用经典的Erdos-Renyi模型，并重温广义似然比（GLR）检测过程。扫描统计是通过顺序估计最可能发生变化的子图来计算的。我们提供了理论分析的渐进最优性的基础上GLR框架的建议程序。我们证明了我们的检测算法的效率，使用模拟。
2021-02-11 math.ST stat.TH
Optimal Online Change Detection via Random Fourier Features
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；Department of Decision Analytics and Operations（决策分析与运营系）；City University Hong Kong（香港城市大学）
针对多元数据流在线非参数变化点检测问题，提出基于随机傅里叶特征的序贯检验算法，具备对数级时空复杂度、无需预训练数据和窗口参数的优势，且检测延迟达极小极大最优，性能与现有最优方法相当。
2025-10-30 cs.LG stat.ML
NEWMA: a new method for scalable model-free online change-point detection
CNRS（法国国家科学研究中心）；GIPSA-lab（GIPSA实验室）；Université Côte d’Azur（蔚蓝海岸大学）；Inria（法国国家信息与自动化研究所）；LJAD（让-亚历山大·迪厄多内实验室）；LightOn
我们考虑的问题，检测突然变化的多维时间序列的分布，有限的计算能力和内存。在本文中，我们提出了一种新的，简单的方法，无模型的在线变化点检测，只依赖于快速和轻型递归统计，灵感来自经典的指数加权移动平均算法（EWMA）。所提出的想法是计算两个EWMA统计数据流与不同的遗忘因子，并比较它们。通过这样做，我们表明，我们隐式地比较最近的样本与旧的，而不需要显式地存储它们。此外，我们利用随机特征（RFs）来有效地使用最大平均离散度作为分布之间的距离，进一步利用最近的光学硬件在接近恒定的时间内计算高维RFs。我们表明，我们的方法是显着的速度比通常的非参数方法在给定的精度。
2020-04-01 cs.LG stat.ML
Change Detection in Probability Flow ODE: Online Testing in Diffusion Latent Spaces
National Research University Higher School of Economics（国立研究型大学高等经济学院）；The University of Sydney Business School（悉尼大学商学院）；CIREQ（蒙特利尔数量经济学研究中心）；CEBDA（应用经济学与数据分析研究中心）
该研究针对序列数据分布偏移检测难题，提出基于概率流常微分方程与最大均值差异的在线检测方法，可检测任意分布偏移且无需参数假设。
2026-08-26 cs.LG stat.ML
Online Multivariate Changepoint Detection: Leveraging Links With Computational Geometry
本文利用计算几何联系，提出在线精确及近似算法计算多元数据流中变点的似然比检验，支持稀疏变化，具有拟线性复杂度，并在高斯情形下提供统计保证，实验验证有效。
2025-06-30 stat.CO
Nearly second-order asymptotic optimality of sequential change-point detection with one-sample updates
Georgia Institute of Technology（佐治亚理工学院）
分布参数未知时的序列变点检测是统计学和机器学习中的一个基本问题。当参数未知时，我们考虑一组基于序贯似然比的检测过程，其中非预期估计量使用在线凸优化算法（如在线镜像下降）构造，它提供了一种更通用的方法来处理无法找到递归最大似然估计的复杂情况。当底层分布属于指数族并且估计量满足对数遗憾性质，我们证明了这种方法是近二阶渐近最优的。这意味着当阈值趋于无穷大时，算法的虚警率的上界（由平均游程长度测量）渐近地满足下界，直到对数-对数因子。我们的证明是通过建立顺序变点和在线凸优化之间的联系，并利用在线镜像下降算法的对数遗憾界属性。数值和实际数据的例子验证了我们的理论。
2017-12-04 cs.LG math.ST stat.TH
Online Change Point Detection for Weighted and Directed Random Dot Product Graphs
Facultad de Ingeniería, Universidad de la República（共和国大学工程学院）；University of Rochester（罗切斯特大学）
给定一个随机（有向和加权）图序列，我们解决了在线监测和检测底层数据分布变化的问题。我们的想法是赋予顺序变点检测（CPD）技术与图形表示学习基板的基础上，通用的随机点积图（RDPG）模型。我们认为有效的，在线更新的明智的监测功能，量化的流图观测和标称RDPG之间的差异。该参考分布通过序列中前几个图的谱嵌入来推断。我们的特征分布的运行统计选择阈值，保证错误率控制，并在简化的近似下，我们提供的算法的检测分辨率和延迟的见解。最终的结果是一个轻量级的在线CPD算法，这也是可以解释的RDPG嵌入的良好理解的可解释性。这与大多数现有的图CPD方法形成鲜明对比，这些方法要么依赖于大量的计算，要么存储和处理整个观察到的时间序列。RDPG模型的一个明显的局限性是它只适用于无向和无权图，我们的目标是在这里缩小差距，扩大CPD框架的范围。与以前的建议，我们的非参数RDPG模型的加权图不需要先验规范的权重的分布进行推断和估计。这种网络建模的贡献是独立的利益超越CPD。我们提供了一个开源的实现的新的在线CPD算法的加权和直接的图形，其有效性和效率证明通过（可重复的）合成和真实的网络数据实验。
2022-01-26 cs.LG cs.SI eess.SP
Online Heavy-tailed Change-point detection
AWS AI Labs（AWS人工智能实验室）
提出基于截断SGD的在线变点检测算法，在仅假设数据二阶矩有界且重尾、高维的情况下，首次提供有限样本假阳性率保证，并在多种数据分布下表现优异。
2023-07-03 cs.LG stat.ML
O-MAGIC: Online Change-Point Detection for Dynamic Systems
本文提出O-MAGIC方法，通过流形约束高斯过程与双样本广义似然比检验，在不依赖数值积分的情况下实现在线、快速地检测ODE系统参数变点，并在多个动态系统上验证了其鲁棒性与效率。
2024-11-19 stat.AP
TWIN: Two window inspection for online change point detection
提出基于双窗口检查方案（TWIN）的序贯变点检验方法，通过对数检测延迟和自归一化技术显著提升检测性能，并在COVID19数据监测中验证了其实时应用价值。
2025-10-13 math.ST stat.TH
Optimal network online change point localisation
University of Warwick（华威大学）；University California, Los Angeles（加州大学洛杉矶分校）；University of Notre Dame（圣母大学）；Carnegie Mellon University（卡内基梅隆大学）
研究了在线网络变点检测问题。在这种情况下，独立伯努利网络的集合被顺序收集，并且当发生变化点时，底层分布发生变化。目标是尽可能快地检测到变化点，如果它存在的话，受到假警报的数量或概率的约束。本文基于NP-hard算法和多项式时间算法，建立了检测时延的一个极大极小下界和两个上界，即，其中\[ \mbox{detection delay} \begin{cases} \gtrsim \log(1/α) \frac{\max\{r^2/n, \, 1\}}{κ_0^2 n ρ},\\ \lesssim \log(Δ/α) \frac{\max\{r^2/n, \, \log(r)\}}{κ_0^2 n ρ}, & \mbox{with NP-hard algorithms},\\ \lesssim \log(Δ/α) \frac{r}{κ_0^2 n ρ}, & \mbox{with polynomial-time algorithms}, \end{cases} \]和$α$是归一化的跳跃大小、网络大小、条目稀疏性、秩稀疏性和总体I型误差上界。允许所有模型参数随着$Δ$（变化点的位置）的发散而变化。多项式时间算法是我们在本文中提出的新程序，设计用于在两种不同形式的I型差错控制下的快速检测。第一种是基于在没有变化点时控制虚警的总体概率，第二种是基于指定第一虚警的预期时间的下界。大量的实验表…
2021-01-14 cs.LG math.ST stat.TH
Real-time Fuel Leakage Detection via Online Change Point Detection
School of computing technologies（计算技术学院）；RMIT university（皇家墨尔本理工大学）；Titan Cloud Software（泰坦云软件公司）；School of Computer and Mathematical Sciences（计算机与数学科学学院）；University of Adelaide（阿德莱德大学）
针对加油站燃油泄漏离线检测延迟大的问题，提出近实时框架MOCPD，通过维护受限历史数据与自适应阈值计算差异检测泄漏，在真实和基准数据上准确率优于基线。
2024-10-13 cs.LG stat.ML
Monitoring Deforestation Using Multivariate Bayesian Online Changepoint Detection with Outliers
近实时变化探测对于各种地球监测应用非常重要，并且仍然是遥感科学的一个高度优先事项。数据稀疏性、细微变化、季节性趋势以及异常值的存在使得检测实际景观变化具有挑战性。Adams和MacKay（2007）介绍了贝叶斯在线变化点检测（BOCPD），这是一种计算效率高、精确的贝叶斯变化检测方法。先验信息的结合允许放松对密集数据的依赖和广泛的稳定期，使得该方法适用于相对短的时间序列和多个变点检测。在本文中，我们进行BOCPD与多元线性回归框架，支持季节性趋势。我们引入了一种机制，使BOCPD对偶尔的离群值具有鲁棒性，而不会影响精确的后验变化分布的计算效率，也不会影响检测延迟。我们通过模拟表明，该方法有效地检测异常值存在的变化。然后，该方法应用于监测森林砍伐在缅甸，我们表现出优越的性能相比，目前的在线变点检测方法。
2021-12-28 stat.ME
Percent Change Estimation in Large Scale Online Experiments
在线实验是面向Web的产品开发的基本组成部分。鉴于其庞大的用户群，即使是小的产品改进也会对用户参与度或绝对规模的利润产生巨大影响。因此，准确估计这些变化的相对影响是极其重要的。我提出了一种基于客观贝叶斯模型的方法，以提高A/B实验中百分比变化估计的灵敏度。利用前期信息，这种方法产生更强大和准确的点估计和高达50%的可信区间比传统方法更紧密。R包abpackage提供了该方法的实现。
2019-08-22 stat.ME
A grid-based methodology for fast online changepoint detection
University of Oslo（奥斯陆大学）
本文提出基于网格的在线突变点检测方法，通过动态更新的候选突变点网格实现低更新和存储成本。方法在广义测试统计量下具有对数增长的计算成本，并证明了离线测试的有限样本功效可转化为非渐近检测延迟上限。
2026-11-13 stat.ME
Doubly-online changepoint detection for monitoring health status during sports activities
我们提供了一个在线框架，用于分析智能手表在跑步活动中记录的数据。特别是，我们专注于识别由身体状况变化引起的一个或多个测量行为的变化，例如身体不适，长时间停止训练，甚至测量设备故障。我们的框架认为，数据作为一个序列的运行活动所表示的多元时间序列的物理和生物特征数据。我们结合了经典的变点检测模型与高斯状态空间模型的未知数量的组件，以检测一系列活动之间的分布变化。该模型考虑了多个来源的依赖，由于后续活动的连续性，每个活动内的自相关结构，以及不同变量之间的同期依赖。我们提供了一个在线的期望最大化（EM）算法，涉及一个序贯蒙特卡罗（SMC）近似的变化点预测概率。作为我们的模型假设的副产品，我们提出的方法在双在线框架中处理多变量时间序列。虽然经典的变化点模型检测后续活动之间的变化，状态空间框架与在线期望最大化算法提供了额外的好处，估计实时概率，当前活动是一个变化点。
2022-06-23 stat.AP stat.CO stat.ME
Sequential Kalman filter for fast online changepoint detection in longitudinal health records
提出顺序卡尔曼滤波器，在线检测时间相关纵向数据中的多个变点，线性复杂度，模拟实验更精确，并集成分类提升COVID-19感染检测性能。
2024-01-01 stat.AP stat.ME
Fast Online Changepoint Detection via Functional Pruning CUSUM statistics
提出FOCuS算法，通过函数剪枝CUSUM统计量在所有窗口大小和变化幅度上同时进行在线变点检测，实现对数级计算成本，并在服务器异常检测中取得最优性能。
2022-07-27 stat.CO stat.ME stat.ML
