设备读数一直平稳，某天却开始漂移。在线变点检测要边接收数据边判断变化何时发生，还得避免频繁误报。共形方法可以把新数据与历史数据比较，不必预先假定它服从哪种分布；再用检验鞅——一种持续累积异常证据的统计过程——决定何时报警。问题在于，过去的标准做法虽然能约束误报，变化发生得越晚，早期正常数据对证据的“稀释”可能越严重，检测延迟甚至随变点位置线性增长。
Bhattacharyya 和 Ramdas 的关键改动，是从每个可能的变点分别重启证据累积，再用加权求和或取最大值汇总；同时混合多种“下注规则”，以适应未知的变化后分布。作者证明，选用近似调和的重启权重时，新构造可分别满足 PFA（最终发生假警报的概率）或 ARL（无变化时平均多久误报一次）约束，并在论文设定的受限范围内达到一阶 minimax 最优，也就是渐近意义下无法再普遍做得更快。模拟中，它比 Vovk 的既有共形鞅方案延迟短得多，且变化越晚差距越明显；具体优势仍取决于用于衡量异常的评分函数。