本文介绍了一种高效的动态网络变化点检测算法，其速度比现有技术快9倍，并在合成和真实网络中表现优越。同时，研究探讨了图神经网络在社区检测中的应用，提出了基于模块性的动态社区检测策略和Laplacian异常检测方法，均能有效识别动态网络中的异常。

本文探讨了利用DeepSAD方法构建健康指数的技术，解决了可解释性和敏感性问题，并引入了多样性损失。研究验证了该方法在PHME 2010铣削数据集中的有效性，并应用于高频电压监测热喷涂涂层的磨损状态。此外，提出了一种基于时间动态学习的新模型，提高了设备剩余使用寿命估计的准确性，尤其是在变化点检测方面。