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
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
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 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
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 Graph-Based Change-Point Detection for High Dimensional Data
Humboldt University Berlin（柏林洪堡大学）；Weierstrass Institute Berlin（柏林魏尔斯特拉斯研究所）
在线变点检测（OCPD）对于金融、生物和物联网（IoT）等各个领域的应用都很重要。然而，OCPD面临着巨大的挑战，由于高维，它仍然很少在文献中研究。在本文中，我们提出了一种新的，在线的，基于图形的，变点检测算法来检测低到高维数据的分布变化。我们引入了一个相似性度量，这是来自图的跨越比，统计测试，如果发生变化。通过使用人工在线数据集的数值研究，我们的数据驱动的方法表现出高检测能力的高维数据，而误报率（第一类错误）被控制在名义上的显着水平。特别是，我们的图跨越方法具有理想的功率与小和多个扫描窗口，它允许及时检测在线设置中的变点。
2019-06-07 cs.LG stat.ME stat.ML
Bayesian online collective anomaly and change point detection in fine-grained time series
本研究提出贝叶斯框架及递归在线推理算法，联合检测细粒度时间序列中的集体异常与变点，并通过集体异常移除将复杂度降至线性，实验验证了其有效性。
2025-08-08 stat.ME
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
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
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
Max-Type and Sum-Type Procedures for Online Change-Point Detection in the Mean of High-Dimensional Data
我们提出了两个程序来检测高维在线数据的平均值的变化。一种是基于最大型U-统计量，另一种是基于求和型U-统计量。这两个程序的理论性质进行了探讨，在高维设置。更准确地说，我们得到他们的平均游程长度（ARLs）时，没有变化点，和预期的检测延迟（EDDs）时，有一个变化点。仿真研究证实了理论结果的准确性。通过检测PM2.5浓度的突然变化证明了所提出的程序的实际使用。目前的研究试图扩展的结果，先前建立的单变量设置中的EQUIUM和Shiryayev-Roberts程序。
2021-07-26 stat.ME
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 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
Online High-Dimensional Change-Point Detection using Topological Data Analysis
拓扑数据分析（TDA）是一个快速发展的领域，它研究学习复杂数据表示中的底层拓扑结构的方法。TDA方法最近在提取有用的几何结构方面取得了成功，用于广泛的应用，包括蛋白质分类、神经科学和时间序列分析。然而，在许多这样的应用中，人们也对顺序地检测该拓扑结构中的变化感兴趣。我们提出了一种新的方法，称为持久性图的变化点（PD-CP），它解决了这个问题，通过整合广泛使用的持久性图在TDA与非参数变化点检测的最新发展。PD-CP的关键新颖之处在于它利用持久性图上的点的分布来在线检测拓扑变化。我们证明了PD-CP在太阳耀斑监测应用中的有效性。
2021-03-07 math.AT stat.ME stat.OT
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
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
A communication-efficient, online changepoint detection method for monitoring distributed sensor networks
针对分布式传感器网络需低通信检测变化的问题，提出基于双阈值似然比检验的在线方法，并证明其渐近性质，可在大幅降低传输成本时达到接近无通信约束的性能。
2024-04-09 stat.ME
PERCEPT: a new online change-point detection method using topological data analysis
拓扑数据分析（TDA）提供了一套数据分析工具，用于从复杂的高维数据集中提取嵌入的拓扑结构。近年来，TDA已经成为一个快速发展的领域，在广泛的应用中取得了成功，包括信号处理，神经科学和网络分析。在这些应用中，变化的在线检测至关重要，但这可能具有高度挑战性，因为此类变化通常发生在高维数据流中的低维嵌入中。因此，我们提出了一种新的方法，称为基于持久性的变化点检测（PERCEPT），它利用从TDA学习的拓扑结构，顺序检测变化。PERCEPT遵循两个关键步骤：它首先通过持久性图学习作为点云的嵌入式拓扑，然后应用非参数监测方法来检测所得到的点云分布中的变化。这产生了一个非参数的，拓扑感知的框架，可以有效地检测在线变化，从高维数据流。我们调查的有效性的感知现有的方法在一套数值实验中的数据流有一个嵌入式的拓扑结构。然后，我们证明了在太阳耀斑监测和人体姿态检测的两个应用程序中的有效性的感知。
2022-03-08 math.AT stat.AP 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-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
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
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
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
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
Sequential Adaptive Detection for In-Situ Transmission Electron Microscopy (TEM)
我们开发了新的有效的在线算法，用于检测TEM视频序列中的瞬态稀疏信号，通过采用最近开发的连续检测框架与在线凸优化[1]。我们将问题转化为检测高斯观测值的未知稀疏均值漂移，并基于似然比统计量，利用$\ell_1$，将后均值向量作为在线极大似然估计量，提出了自适应估计和自适应SSRS方法.我们证明了我们的算法使用真实数据的TEM成像的优异性能。
2017-10-31 stat.AP
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
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
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
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
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
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
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
Quickest Change Detection under Transient Dynamics: Theory and Asymptotic Analysis
研究了瞬态动力学下的最快变化检测（quickest change detection，QCD）问题，其中从初始分布到最终持久分布的变化不是瞬时发生的，而是经过一系列瞬态阶段的。不同阶段内的观测值由不同的分布生成。我们的目标是尽可能快地检测到的变化，同时控制的平均游程长度（ARL）的虚警，当瞬态阶段的持续时间是完全未知的。两个算法被认为是动态累积和（CuSum）算法，在早期的工作中提出的，和一个新构造的加权动态CuSum算法。这两种算法承认递归，方便他们的实际实施，他们是自适应的未知的瞬态持续时间。具体而言，他们的渐近最优性建立相对于Lorden的和Pollak的标准作为ARL虚警和瞬态阶段的持续时间去无穷大，在任何相对速率。数值结果证明了所提出的算法的自适应性，并验证了理论结果。
2018-12-12 cs.IT math.IT math.ST
Sequential Detection of Transient Signals with Exponential Family Distribution
本文首先将滑动平均图推广到指数族，研究了瞬态信号的序贯检测，并研究了稳态下的误检测概率和检测功率。然后将其视为正态随机变量，研究了加窗调整符号（或修正有向）似然比图。在多参数指数族中，利用广义调整符号似然比图来检测其中一个典型参数或一个典型参数函数的瞬态变化。与窗口限制的广义似然比图和Shiryayev-Roberts（S-R）方法的比较表明，广义符号似然比图具有较好的性能。文中给出了正态模型下均值或方差变化的几个重要例子和一个实例。
2022-06-23 math.ST stat.TH
Spectral CUSUM for Online Network Structure Change Detection
Georgia Institute of Technology（佐治亚理工学院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
从噪声观测中检测网络社区结构的突变是统计学和机器学习中的一个基本问题。本文提出了一种在线变化检测算法Spectral-Rumium，通过广义似然比统计量来检测未知的网络结构变化。我们的平均游程长度（ARL）和期望检测延迟（EDD）的频谱-SPECTRAL-SPECTRUM过程的特点，并证明其渐近最优性。最后，我们展示了良好的性能的频谱-SPECTUM程序，并比较它与几个基线方法使用模拟和实际数据的例子，地震事件检测传感器网络数据。
2023-03-16 cs.LG cs.SI math.ST
