监控几十上百个指标时，异常未必只来一次：系统可能在短时间内连续换了几种状态。常见方法从整段数据向下切，第一次切分若范围太大，几个挨得很近的变化就可能互相遮住。Park、Maeng 和 Song 提出的 gBottomup，专门处理这类高维、密集的多变点检测——既判断数据规律变了几次，也定位变化发生的时刻。
gBottomup 反过来从小段开始。它先把序列分成短片段，用相似性图——把表现相近的数据点连起来的关系网——检查相邻片段能否合并；随后逐层向上合并，并用“撤销合并”规则同时考察变化是否足够显著、局部是否仍然不均匀，避免把相邻变点一并抹平。最后，它用一种类似 BIC 的模型选择标准删去多余候选边界。整个方法是非参数的，也就是不预先假定数据服从某种特定分布。
作者报告称，在模拟实验中，这套方法尤其适合变化频繁的场景，并在较大配置下比基于图的自顶向下方案展现出更有利的运行时间；论文还用 S&P 500 数据作了示例。对监控告警和数据质量检测来说，真正值得留意的是它的扫描顺序：先保住局部变化，再决定哪些片段可以安全合并。