본 논문은 데이터 스트림에서 분포의 급격한 변화를 감지하는 Change Point Detection (CPD) 문제에 대해 연구합니다. 복잡한 데이터 패턴과 일반적인 가정 위반으로 인해 고차원 데이터에 대한 CPD는 여전히 어려운 과제입니다. 기존의 딥러닝 기반 CPD 모델은 완벽한 성능을 달성하지 못하며, 앙상블 기법이 더 견고한 해결책을 제공합니다. 본 논문에서는 딥 CPD 모델 앙상블을 연구하고, 평균과 같은 표준 예측 집계 기법이 최적화되지 않음을 확인합니다. 대안으로, Wasserstein 거리를 기반으로 하는 새로운 앙상블 집계 방법인 WWAggr를 제안합니다. 이 방법은 다양한 딥 CPD 모델 앙상블에 효과적으로 적용 가능하며, CPD를 위한 결정 임계값 선택 문제를 해결합니다.
