同一场疾病异常，按州看可能风平浪静，细到县或人口普查区才会显现；但区域切得越细，噪声通常越大，搜索也更费力。Kai Yang 与 Peihua Qiu 获 JASA 接收的工作，处理的正是这个取舍：在线监控新数据时，不固定地理粒度，而是同时判断哪里异常、当前用哪一层尺度最有辨识力。据作者论文主页与论文原文，方法会在每个观测时点先寻找各尺度的异常区域，再用 Scale Information Criterion（尺度信息准则，即比较不同粒度是否合适的规则）选出当下的最优尺度，并构造监控统计量。
其中最巧的一步是 Forward Elimination（前向剔除）：它从较粗尺度出发，借助州—县—普查区这类嵌套关系逐步排除候选区域，减少逐一搜索的计算量。基线的时空均值与协方差用局部核平滑估计，不要求数据服从指定分布。论文以 Monte Carlo 模拟评估方法，并用 Florida 的 influenza-like illness 数据展示应用；现有材料未提供具体性能数字。