监测交易流量时，我们常常知道“它可能会变”，却不知道会往哪儿变：均值可能升降，波动和分布形状也可能改变。传统方法往往要预先把变化前后的分布划成两类。Saha 与 Ramdas 提出的非分区 e-detector 取消了这一步。这里的“非分区”不是不分箱数据，而是不预设变化方向或前后分布家族，适合两边分布都未知的在线场景。
它最关键的一步，是把每个可能的“未变化分布”逐一当作候选，用 e-process——一种可随数据更新、反复查看仍能严格约束误报的证据量——进行检验；再汇总所有可能的变点，并对候选未变化分布取最小值。权重设计不同，可分别控制平均运行长度（没有真实变化时，平均多久误报一次）或全程误报概率。作者证明，在适当假设下，检测延迟达到一阶渐近最优，并给出均值变化、未知方差的 Gaussian 场景及两状态 Markov 转移变化等实例。