ECoLAD: Einsatzorientierte Bewertung von Anomalieerkennung in automobilen Zeitreihen

ECoLAD: Deployment-Oriented Evaluation for Automotive Time-Series Anomaly Detection

March 11, 2026

Autoren: Kadir-Kaan Özer, René Ebeling, Markus Enzweiler

cs.AI

Zusammenfassung

Zeitreihen-Anomalieerkennungsverfahren werden üblicherweise auf Workstation-Hardware unter unbegrenzten Ausführungsbedingungen verglichen. Die Überwachung in Fahrzeugen erfordert jedoch vorhersagbare Latenz und stabiles Verhalten bei begrenzter CPU-Parallelität. Ranglisten, die nur auf Genauigkeit basieren, können daher falsch darstellen, welche Methoden unter einsatzrelevanten Randbedingungen praktikabel bleiben. Wir stellen ECoLAD (Efficiency Compute Ladder for Anomaly Detection) vor, ein einsatzorientiertes Bewertungsprotokoll, das als empirische Studie mit proprietären Automotive-Telemetriedaten (Anomalierate ≈0,022) und ergänzenden öffentlichen Benchmarks instanziiert wird. ECoLAD wendet eine monotone Rechenlast-Reduktionsleiter auf heterogene Detektor-Familien an, wobei mechanisch bestimmte, ganzzahlige Skalierungsregeln und explizite CPU-Thread-Begrenzungen verwendet sowie jede vorgenommene Konfigurationsänderung protokolliert wird. Durchsatzbeschränktes Verhalten wird durch das Abtasten von Ziel-Bewertungsraten charakterisiert, wobei (i) die Abdeckung (der Anteil der Entitäten, die das Ziel erreichen) und (ii) die beste unter den gemessenen Leiterkonfigurationen, die das Ziel erfüllen, erreichbare AUC-PR (Precision-Recall-Kurve unter der Fläche) berichtet werden. Unter eingeschränkten Automotive-Telemetriebedingungen halten leichte klassische Detektoren sowohl die Abdeckung als auch die Erkennungsleistung über dem Zufallsbaseline über den gesamten Durchsatzbereich aufrecht. Mehrere Deep-Learning-Methoden verlieren ihre Praktikabilität, bevor sie an Genauigkeit einbüßen.

English

Time-series anomaly detectors are commonly compared on workstation-class hardware under unconstrained execution. In-vehicle monitoring, however, requires predictable latency and stable behavior under limited CPU parallelism. Accuracy-only leaderboards can therefore misrepresent which methods remain feasible under deployment-relevant constraints. We present ECoLAD (Efficiency Compute Ladder for Anomaly Detection), a deployment-oriented evaluation protocol instantiated as an empirical study on proprietary automotive telemetry (anomaly rate {approx}0.022) and complementary public benchmarks. ECoLAD applies a monotone compute-reduction ladder across heterogeneous detector families using mechanically determined, integer-only scaling rules and explicit CPU thread caps, while logging every applied configuration change. Throughput-constrained behavior is characterized by sweeping target scoring rates and reporting (i) coverage (the fraction of entities meeting the target) and (ii) the best AUC-PR achievable among measured ladder configurations satisfying the target. On constrained automotive telemetry, lightweight classical detectors sustain both coverage and detection lift above the random baseline across the full throughput sweep. Several deep methods lose feasibility before they lose accuracy.