一台设备同时记录数百个传感器，偏偏有些读数会掉线。此时要找“系统从哪一刻开始不一样了”，难点不只在补空值：掉线方式本身也可能变了。gMiss面向这种部分缺失的高维序列做变点检测——寻找数据生成规律突然改变的位置，并把观测值与“这一项是否缺失”的标记放在一起分析。
它把各时点按相似程度连成图，再扫描不同时间切分处的连边异常；两种互补扫描分别基于逐项插补和距离插补，既不要求变化稀疏，也不预设数据服从高斯分布。论文里最值得警惕的对照是：先用邻近时点补值、再照搬完整数据方法，会制造大量假警报。在缺失率为 30% 的模拟中，两种基准方法的误报率达到 0.9825 至 1.0000；即使缺失率降至 10%，仍为 0.2925 至 0.4575。作者据此强调，补值与校准必须一并设计。若增广后的各时点彼此独立，gMiss 的完整置换检验可在有限样本下控制第一类错误，即“没有变化却报出变化”的概率。