一段通胀数据的波动会随时间改变：今天算正常的起伏，放到过去可能很反常。若检测方法始终拿同一把尺子衡量，就容易把普通波动错当成结构突变。Cai 与 Zhou 提出的 BARBS，试图在这类非平稳时间序列——均值、波动或前后依赖会漂移的数据——中，同时找出多个真正的变化时刻。
它沿用二分分割：先找一个变点，再把序列切开继续搜索。关键改动在停止规则。BARBS 用 CUSUM 统计量比较候选切分点前后的累计差异，并借助 Gaussian multiplier bootstrap——通过模拟扰动估计“没有变点时，差异通常会有多大”——为每轮递归重新校准门槛。作者称，这套逐层调整能在无变点时控制误报；有变点时，则能以预先设定的概率识别正确数量。
论文还在初步定位后加入第二轮精修，并给出位置置信区间所需的理论结果，覆盖突变幅度固定或逐渐变小的情况。数值实验和美国通胀数据案例支持其稳健性，但具体效果仍来自作者自述。