像盯着一排城市的房价：有时只有一座城市突然变化，有时许多城市一起转向，而且变化可能接连发生。传统方法常从整段数据向下切分；Maeng、Wang 与 Fryzlewicz 提出的 BUHDA 则反过来，先把序列切成最细的相邻片段，再从局部开始合并。这样能在片段被汇成大块之前，先检查短促、频繁的变化。
最巧的一步是合并次序。方法同时计算 L2 与 L∞ 两类汇总：L2 综合许多变量的变化，偏向发现稠密变化；L∞ 盯住变化最大的单个变量，偏向发现稀疏变化。它把所有候选合并分别排名，再取两种名次中较差的一个；只要任一指标觉得边界可疑，合并就会被推迟。于是算法不必预先猜测每次变化涉及多少变量。作者还加入“预合并”和位置调整，以缓解细片段样本少及贪心合并带来的定位问题。论文给出了多种噪声条件下的一致性结果，并以模拟和 UK House Price Index 展示实用性；相关实现已收入 R 包 BUHDA。