ECoLAD : Évaluation orientée déploiement pour la détection d’anomalies dans les séries temporelles automobiles
ECoLAD: Deployment-Oriented Evaluation for Automotive Time-Series Anomaly Detection
March 11, 2026
Auteurs: Kadir-Kaan Özer, René Ebeling, Markus Enzweiler
cs.AI
Résumé
Les détecteurs d'anomalies de séries temporelles sont généralement comparés sur du matériel de classe station de travail lors d'exécutions sans contrainte. Cependant, la surveillance embarquée nécessite une latence prévisible et un comportement stable avec un parallélisme CPU limité. Les classements basés uniquement sur la précision peuvent donc donner une image trompeuse des méthodes qui restent réalisables sous des contraintes pertinentes pour le déploiement.
Nous présentons ECoLAD (Efficiency Compute Ladder for Anomaly Detection), un protocole d'évaluation axé sur le déploiement, matérialisé par une étude empirique sur des données de télémétrie automobile propriétaires (taux d'anomalie ≈0,022) et sur des benchmarks publics complémentaires. ECoLAD applique une échelle monotone de réduction de calcul sur des familles de détecteurs hétérogènes en utilisant des règles de mise à l'échelle mécaniquement déterminées, à entiers uniquement, et des plafonds explicites de threads CPU, tout en journalisant chaque changement de configuration appliqué. Le comportement sous contrainte de débit est caractérisé en balayant des taux de scoring cibles et en rapportant (i) la couverture (la fraction d'entités atteignant la cible) et (ii) la meilleure AUC-PR réalisable parmi les configurations mesurées de l'échelle satisfaisant la cible. Sur la télémétrie automobile contrainte, des détecteurs classiques légers maintiennent à la fois la couverture et l'amélioration de la détection au-dessus de la ligne de base aléatoire sur l'ensemble du balayage de débit. Plusieurs méthodes profondes perdent en faisabilité avant de perdre en précision.
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.