كشف التغيرات غير العادية في بيانات السلسلة الزمنية يُعد أمرًا مهمًا في مجالات متنوعة، بما في ذلك مراقبة الأنظمة، والرعاية الصحية، والأمن السيبراني. وعلى الرغم من الوفور في الطرق المتاحة، فإن اختيار الطريقة الأنسب لتطبيق معين يظل تحديًا، حيث تتميز كل طريقة بقدراتها الخاصة في اكتشاف أنواع معينة من التغيرات غير العادية. في هذه الدراسة، قمنا بمقارنة ست طرق غير مراقبة للكشف عن التغيرات غير العادية، تتفاوت في التعقيد، بهدف تحديد ما إذا كانت الطرق الأكثر تعقيدًا تؤدي عادةً إلى أداء أفضل، وما إذا كانت بعض الطرق أكثر ملاءمة لأنواع معينة من التغيرات. وقد قُمنا بتقييم هذه الطرق باستخدام مكتبة UCR للبيانات غير العادية، وهي مجموعة بيانات معيارية حديثة مخصصة لاختبار كفاءة طرق الكشف عن التغيرات. وقد أجرينا تحليلًا للنتائج على مستوى كل مجموعة بيانات ونوع تغير غير عادي، بعد ضبط القيم المثلى للبارامترات المطلوبة لكل طريقة. علاوة على ذلك، قمنا بتقييم قدرة كل طريقة على دمج المعرفة السابقة حول التغيرات غير العادية، وفحص الفروقات بين الميزات النقطية (point-wise) والسلسلية (sequence-wise). وأظهرت تجاربنا أن الطرق التقليدية للتعلم الآلي تتفوق عادةً على الطرق القائمة على التعلم العميق عبر طيف واسع من أنواع التغيرات غير العادية.