DI-SCUSUM
一种免训练的变化检测算法，通过向有限样本添加高斯噪声构造平滑密度估计，利用 Hyvärinen 得分计算检测统计量，无需预先训练模型或知道变化前后分布形式
时间轴 (近 90 天)
DI-SCUSUM（Diffusion-Integrated Score CUSUM）是一种完全无需训练的变化检测器，通过向样本添加高斯噪声构造平滑密度估计，借助 Hyvärinen 得分计算检测统计量。
DI-SCUSUM 对有限样本添加高斯噪声后，可以得到一个解析可计算的平滑密度估计，其得分可直接由样本与噪声的卷积形式求出，从而无需训练神经网络。
在观测值服从固定经验分布的假设下，DI-SCUSUM 变化后的平均增量与平滑后变化分布到平滑前变化分布的 KL 散度成正比。
DI-SCUSUM 的误报概率随阈值增大呈指数衰减。
在固定阈值和增量缩放下，DI-SCUSUM 的检测延迟与 KL 散度成反比。
在标定的各向异性高斯模拟中，DI-SCUSUM 的表现接近似然比 CUSUM，同时相比基于得分的 CUSUM（SCUSUM），检测延迟降低了约 91%。
在 MNIST 手写数字和 Oxford-IIIT Pet 数据集上，DI-SCUSUM 在可比误报水平下展现出比 SCUSUM 更低的条件检测延迟。
DI-SCUSUM 直接从有限样本出发即可工作，无需大量标注数据和训练时间。
DI-SCUSUM 适用于设备故障预警、网络异常检测或医学监测等需要在有限数据下快速检测分布变化的场景。
全部知识事实 (9)
DI-SCUSUM（Diffusion-Integrated Score CUSUM）是一种完全无需训练的变化检测器，通过向样本添加高斯噪声构造平滑密度估计，借助 Hyvärinen 得分计算检测统计量。
50%待验证DI-SCUSUM 对有限样本添加高斯噪声后，可以得到一个解析可计算的平滑密度估计，其得分可直接由样本与噪声的卷积形式求出，从而无需训练神经网络。
50%待验证在观测值服从固定经验分布的假设下，DI-SCUSUM 变化后的平均增量与平滑后变化分布到平滑前变化分布的 KL 散度成正比。
50%待验证DI-SCUSUM 的误报概率随阈值增大呈指数衰减。
50%待验证在固定阈值和增量缩放下，DI-SCUSUM 的检测延迟与 KL 散度成反比。
50%待验证在标定的各向异性高斯模拟中，DI-SCUSUM 的表现接近似然比 CUSUM，同时相比基于得分的 CUSUM（SCUSUM），检测延迟降低了约 91%。
50%待验证在 MNIST 手写数字和 Oxford-IIIT Pet 数据集上，DI-SCUSUM 在可比误报水平下展现出比 SCUSUM 更低的条件检测延迟。
50%待验证DI-SCUSUM 直接从有限样本出发即可工作，无需大量标注数据和训练时间。
50%待验证DI-SCUSUM 适用于设备故障预警、网络异常检测或医学监测等需要在有限数据下快速检测分布变化的场景。
50%