ECoLAD: Evaluación Orientada al Despliegue para la Detección de Anomalías en Series Temporales Automotrices
ECoLAD: Deployment-Oriented Evaluation for Automotive Time-Series Anomaly Detection
March 11, 2026
Autores: Kadir-Kaan Özer, René Ebeling, Markus Enzweiler
cs.AI
Resumen
Los detectores de anomalías en series temporales suelen compararse en hardware de clase estación de trabajo bajo ejecución sin restricciones. Sin embargo, la monitorización en vehículo requiere una latencia predecible y un comportamiento estable con un paralelismo de CPU limitado. Por lo tanto, los rankings basados únicamente en la precisión pueden dar una imagen errónea de qué métodos siguen siendo viables bajo las restricciones relevantes para el despliegue.
Presentamos ECoLAD (Efficiency Compute Ladder for Anomaly Detection), un protocolo de evaluación orientado al despliegue instanciado como un estudio empírico sobre telemetría automotriz propietaria (tasa de anomalías ≈0,022) y benchmarks públicos complementarios. ECoLAD aplica una escalera monótona de reducción de cómputo en familias de detectores heterogéneas utilizando reglas de escalado determinadas mecánicamente, que emplean solo números enteros, y límites explícitos de hilos de CPU, registrando cada cambio de configuración aplicado. El comportamiento bajo restricciones de rendimiento se caracteriza barriendo tasas objetivo de puntuación y reportando (i) la cobertura (la fracción de entidades que cumplen el objetivo) y (ii) el mejor AUC-PR alcanzable entre las configuraciones de la escalera medidas que satisfacen el objetivo. En la telemetría automotriz restringida, los detectores clásicos ligeros mantienen tanto la cobertura como la capacidad de detección por encima del baseline aleatorio en todo el barrido de rendimiento. Varios métodos profundos pierden viabilidad antes de perder precisión.
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.